ELEMENTOS TEÓRICO

PRÁCTICOS DE INVENTARIOS
FORESTALES

Diseños de muestreo y planificación

Por: Alvaro Lema Tapias

UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS AGROPECUARIAS
DEPARTAMENTO DE CIENCIAS FORESTALES
2002
 INTRODUCCION

Un aspecto relevante de la Medición Forestal es la cuantificación de cualquier

parámetro silvicultural de un bosque, en la cual desempeña un papel
fundamental la estadística y la logística de los procesos a través de la
planificación de todas las actividades que configuran un inventario forestal,
elementos que pretenden mostrarse en esta obra.
El término inventario es conocido sobre todo en el sector comercial para conocer
en forma periódica y actualizada el estado y cantidad de los bienes poseídos por
una entidad. Este término, alguna vez asimilado con los planes de manejo, fue
acogido finalmente por las ciencias forestales para conocer las existencias,
inicialmente maderables y en el presente para cualquier parámetro silvicultural
importante necesario para tener un mayor conocimiento del estado de los
bosques.
El tema se aborda en 11 capítulos, como culminación de la medición de masas
arbóreas, propósito fundamental de la dasometría:
El primer capítulo es una revisión general de los conceptos básicos de esta
disciplina desde los fundamentos y definiciones, pasando por algo de la historia
de la actividad y muestreo piloto, hasta un repaso de los principales conceptos
estadísticos requeridos para una buena comprensión de los muestreos,
distribuciones normal y binomial. cálculo de errores y manejo de poblaciones y
muestras en poblaciones simples y mezcladas, principalmente. En él se acude a
poblaciones virtuales para afianzar los diversos conceptos y permitir la
comparación lograda con los diversos tipos de muestreo vistos a lo largo de la
obra. Culmina con una presentación somera de los análisis de varianza y manejo
de variables combinadas.

I
El segundo capítulo hace una presentación del Muestreo Simple al Azar por ser la
base de los demás procesos de muestreo que para efectos prácticos se conciben
como variaciones de aquel. Cubre los elementos antecedentes para un muestreo
de este tipo, con las definiciones de error de muestreo, diversas propuestas para
el cálculo de las intensidades y tamaños de muestra, conceptos de premuestreo y
algunas consideraciones preliminares de logística para culminar con ejemplos
prácticos de su manejo.
El tercer capítulo aborda los muestreos de selección mecánica o sistemática de la
muestra, sus problemas y los acercamientos al cálculo de sus errores de
muestreo, enfatizando unidades de igual y desigual tamaño.
El cuarto aborda los muestreos estratificados, formas de división en
subpoblaciones cuando estas se dan en el bosque, premuestreo, tipos de acuerdo
a la superficie muestreada o la variación, conocidos como muestreos
estratificados por distribución proporcional y distribución óptima, ademas de
estratifiacación de acuerdo con los costos con sus características estadísticas
para poblaciones infinitas y finitas, y modos de repartición de las muestras,
culminando con el proceso de estratificación posterior al muestreo como remedio
a la no consecución de los niveles de error permitidos cuando se detectan a
posteriori subpoblaciones dentro del bosque.
El quinto capítulo trata de los muestreos con unidades desiguales en forma o
tamaño, algo no deseable estadísticamente pero que la dasometría resuelve con el
concepto de estimadores de la razón q y sus estadísticos para la varianza y error
estándar de estos, uno de los procedimientos más usados sobre todo en bosques
tropicales ante la aparición de parcelas de gran longitud con respecto a su ancho,
las fajas de desigual longitud. Se da también una visión al proceso Dawkins para
el muestreo en bloques iguales con división en fajas iguales, muy apto para los
bosques de gran extensión y al concepto del perímetro circunscrito a un bosque
para la homogeneización de las unidades de muestreo.
El sexto capítulo aborda los muestreos de atributos en poblaciones, y algunos
muestreos no convencionales para la regeneración natural. Se da una visión de
las distribuciones binomiales, estadística vital para los estudios de supervivencia
en plantaciones, principalmente, y estudio de características cualitativas de los

II
bosques. Se abordan también en este capítulo algunos tipos de muestreos de la
regeneración natural como los métodos de las distancias entre vecinos,
especialmente el método ordenado del sexto árbol y el método de cuadrantes con
el tercer árbol y por último el metodo de las parcelas cero con la distancia
esperada de plántulas conocida y desconocida, así como los elementos para
algunas pruebas diagnósticas.
El séptimo aborda los procesos de muestreo con probabilidades variables PPS,
basados en las propuestas de Bitterlich como el muestreo enlistado, los
convencionales PPS de Bitterlich y un inventario muy característico al comercio
forestal de árboles en pie, el muestreo de la triple predicción o 3P, importantes
como muestreos diagnósticos y con un poco más de elaboración como inventarios
completos del bosque.
El octavo capítulo hace un repaso de los muestreos multifásicos, recolección en
forma simultánea o sucesiva para información que requiera de ajustes
posteriores. Aborda principalmente los procesos bifásicos dependientes e
independientes y el muestreo bivariado con variable dependiente conocida y
desconocida, así como el doble muestreo aleatorio con regresión para grandes
áreas.
El capítulo 9 trata de los muestreos arracimados, cluster o polietápicos, para
grandes áreas, especialmente los de división homogénea con doble análisis de
varianza, así como los cluster con arranques sistemáticos y diversas medidas de
eficiencias de ellos.
El capítulo diez cubre lo más rigurosamente posible el muestreo continuo, con el
propósito del manejo sostenido con el uso de parcelas permanentes y temporales,
especialmente para cálculos del crecimiento y una mejor planificación de otras
actividades. Se da también una breve noción del muestreo secuencial, como
muestreo diagnóstico de situaciones que permiten eliminar el tiempo entre
muestras temporales para la toma de decisiones de manejo acerca de ciertas
situaciones de un bosque o rodal.
El último capítulo habla de la planificación y ejecución de los inventarios, un
breviario de los principales elementos para tener en cuenta al respecto y finaliza
con procesos de optimización tanto de muestreos como de los inventarios en sí.

III
Es importante aclarar que esta obra, que tiene su máximo propósito académico,
no podría surgir independientemente de la obra de Loetsch, Haller y Zoherer,
desarrollada entre 1964 y 1973, en dos tomos, cumbre al respecto, que podría
decirse que casi no deja campos en el tema sin cubrir. Acá se intenta una
presentación entre rigurosa y práctica como auxilio en las tareas de la
inventariación forestal, incluyendo y ampliando temas que a juicio del autor son
relevantes para un buen conocimiento de los métodos modernos de
inventariación.
Por último se presenta una bibliografía que reseña toda las obras consultadas
aun las no citadas en el texto como ayuda para el lector.

IV
 1.REVISION DE CONCEPTOS BASICOS

1.1 Definición de inventario forestal

Inventario es un término originalmente comercial para describir y cuantificar
detalladamente una lista de artículos, de bienes almacenados, o de elementos de
cualquier índole, convirtiéndola en una colección de información actualizada,
realista y satisfactoria. El símil forestal, requiere generalmente de técnicas más
complicadas y reviste espectros más amplio pues a veces deberá hasta definir el
instante que el bosque o el árbol adquieran el concepto de valor, al notarse que
al cosechar un bosque no solo se aprovecha la producción si no también parte
del capital, concepto ligado intensamente a la ordenación forestal. La concepción
europea de un buen inventario casi coincide con un plan de manejo que pueda
calificar y cuantificar el estado de los árboles, sus incrementos anuales, decidir
las mejores formas de uso, la composición de las especies, las distribuciones
diamétricas, el contenido volumétrico, la definición de períodos y cabidas de
corta de un bosque. Entre nosotros sólo llega hasta la cuantificación de
existencias.
1.1.1 Bosque. Para la dasometría, representa una serie de elementos con
características múltiples pero sesgadamente marcado por el concepto madera.
Una descripción aceptable lo concibe como una tierra cubierta por una
asociación vegetativa, dominada por árboles de cierto tamaño, explotada o no,
capaz de producir madera y/o otros productos, y de ejercer influencia en el clima
o en el régimen hídrico y proveer refugio para la flora, la vida y la fauna silvestre.
1.1.2 Area. Concepto asociado al anterior complementándolo, la información del
inventario carecería de valor, desligada de él
Para completar la noción de inventario forestal se estudiarán algunos elementos
adicionales en el capítulo de planificación como: la accesibilidad, las prácticas de
manejo, la capacidad productiva del bosque (índices de sitio), diferencias dentro
del bosque mismo, localizaciones y otros.
1.1.3 Unidades forestales de área. El área forestal tiene como unidad hipotética

1
al “rodal", conjunto de árboles, de área generalmente pequeña, por ejemplo en
Europa alcanza hasta unas 20 ha en bosques intensamente manejados; en
bosques tropicales y aun en plantaciones pueden alcanzar cientos de hectáreas
con características comunes, una especie o mezcla de ellas, correspondientes a
una edad, un sitio, lugar, quedando como concepto de unidad elemental de
manejo, pudiendo cambiar generalmente con el tiempo.
La siguiente unidad en orden es "el cuartel", compuesta de varios rodales,
división artificial marcada generalmente por accidentes geográficos como
caminos y ríos especialmente, se consideran unidades mas o menos constantes.
La unidad de orden mayor en inventarios es la "unidad de manejo", que depende
del objetivo principal de la explotación. Lógicamente los valores numéricos son
muy subjetivos y podrán variar hasta de país a país pues sólo deben ser un
referente que posibilite unas decisiones de manejo, último fin del inventario.
1.1.4 Unidad de evaluación. Superficie escogida como referente para los
cálculos. Generalmente es una extra o intrapolación de una hectárea (10.000
m2).
En resumen, un inventario forestal es una cuantificación real y satisfactoria de
las existencias de un bosque con respecto a algún parámetro silvicultural,
generalmente el volumen de la madera, relacionado con una unidad de
evaluación, por medio de algunas técnicas de recolección de información,
acompañadas de un dispositivo estadístico conceptual que garantice su
veracidad objetiva con unos límites de confianza, dentro de una probabilidad
escogida.
1.1.5 Aspectos económicos. Aunque el acto de medir un bosque, no cambia la
productividad de los árboles, la información recogida puede conducir a mejores
manejos que propicien esta situación. La recuperación del capital invertido en un
inventario sólo puede ser evaluado en términos del incremento en el
conocimiento que se tenga del bosque. La mayoría de los inventarios deberían
tener la firme convicción de que el valor ganado en información sea por lo menos
equiparable al costo invertido en ellos. En este sentido se deberá plantear una
indicación de la eficiencia como la máxima información necesaria al mínimo
costo así como el fortalecimiento de las evaluaciones económicas de la actividad.

2
1.2 Breve historia de la técnica de los inventarios forestales.
Inicialmente concebidos como la base de los planes de manejo, luego se
confundieron con ellos, y actualmente debido a los avances estadísticos como
una herramienta de apoyo para la ordenación y el manejo forestal, propiamente
dichos.
A finales de la edad media, la escasez de madera y el aumento adicional de la
población, obligó a la utilización de los bosques accesibles y cercanos a las
urbes, y con algunas incipientes formas de planificación. La primera referencia
de un inventario forestal como tal, viene de Francia a finales del siglo XVII,
cuando Colbert ordena la primera búsqueda de información planificada de que
se tenga noticia, acudiendo para ello a los tasadores con su apreciación subjetiva
de las existencias, (Lema, 1995).
Las informaciones preliminares fueron por área, lo que permitió la
implementación de los primeros mapas, sobre todo en Alemania, refinados
posteriormente con la aplicación de principios matemáticos que mejoraban la
dendrometría, de tal forma que para los albores del siglo XIX, ya existían algunos
muy precisos con registros excelentes para la mayoría de los bosques públicos y
privados del país. Casi idéntica situación se dio para la Europa central con la
información principal consistente en la producción total almacenada en ellos.
Esta se consideraba suficiente ya que en los siglos XVIII y XIX la mayor demanda
se concentraba en el combustible forestal más que en la madera de aserrío. El
bosque era dividido en "huertos forestales", que servían como unidad de
evaluación, para una estimación visual de la producción por hectárea,
apreciación o tasación confrontada contra la producción obtenida de unas pocas
áreas muestrales taladas para el caso.
La tasación fue entonces parte vital del entrenamiento para la evaluación de
áreas forestales, simple y barata y alcanzó hasta niveles inigualables en algunos
estados. El método fue contribuyendo a la idea de usar áreas más pequeñas
cada vez, como unidades últimas de evaluación, y propició estudios que
calculaban el sesgo y la posibilidad de usar los errores como método de ajuste
para la mejora de la estimación de donde surgieron propuestas como el manejo
de rodales combinados y la técnica de la compilación.

3
En el siglo XIX, mejoraron aceleradamente las condiciones de la medición del
árbol individual, apareciendo incipientemente las relaciones diámetro-altura,
factores de volumen y de forma, y los conceptos de tablas de volumen o tarifas
para especies individuales, (Lema, 1995).
La expansión de los sistemas de transporte y la industrialización de la Europa
central, volvió a privilegiar la madera sobre el combustible forestal, se hizo
insatisfactoria la tasación y empezó a manejarse el concepto de maderas
dimensionales así como de sus calidades, por lo cual se impuso la medición
árbol por árbol, técnica aun usada al 100% en muchos bosques suizos y
alemanes, aunque muy pronto se percataron de la necesidad de reducir costos.
Los primeros métodos de este tipo datan de finales del siglo XVIII. Ya en el siglo
XIX se dio inicio al muestreo para obtener estimados por rodal incluso con
parcelas circulares.
La introducción de sistemas de plantaciones de grandes bosques uniformes,
impuso las tablas de producción, con aparición de conceptos como la edad,
índice de sitio, densidad y cerramiento de copas, elementos discriminatorios
para una buena estimación y otros conceptos silviculturales que hicieron de la
actividad algo diferente del manejo total.
Durante casi todo el siglo XIX se fue desarrollando otra estrategia de inventarios
en Scandinavia con base en grandes unidades de evaluación, como los distritos
rurales y las provincias, luego de lo cual apareció el concepto de las fajas lineales
desarrollado por el sueco Ström, no muy preciso si el espaciamiento es grande,
pero suficiente cuando se trata de evaluaciones preliminares, y ajustable por
divisiones sucesivas en unidades más pequeñas y con muestreos mas detallados.
En este siglo también se enriquecen las propuestas con el desarrollo de técnicas
para inventarios de bosques tropicales. Alrededor de 1850, en Burma, se
propone para teca, por el Sir D. Brandis, el procedimiento en fajas, dentro de
cuarteles de tamaño considerable, separadas sistemáticamente y con
intensidades del 5%, ante las imposibilidades de la enumeración total, que llega
con ligeras modificaciones hasta nuestros días, como la propuesta de (Dawkins,
1958).
El siglo XX se llena de propuestas que revolucionan el campo de los inventarios,

4
como el método de los incrementos con dos mediciones sucesivas por período
dentro de cada cuartel, desarrollado por Gurnaud en Francia y Biolley en Suiza,
con medición además de la remoción de material en ellos, sentando las bases
para el inventario continuo, (Pardé, 1956), luego de lo cual se desarrolló la idea
del rodal medio" de Krenn en 1948, o la ingeniosa irrupción de Bitterlich con su
PPS, (Lema, 1995) y el refinamiento de las técnicas de muestreo. Estas son parte
indispensable para un buen inventario, lo que supone una buena comprensión
de los conceptos estadísticos.
A mediados del siglo XVIII, los estados europeos introducen la estadística,
especie de aritmética política, como parte de su acción gubernativa que se fue
ampliando, superando los conteos e inventarios y propiciando el análisis de la
información recogida. Uno de los primeros aritméticos políticos fue Malthus
(1776-1834), quien por observación dedujo que el incremento de la población era
una progresión geométrica, cuando el de la alimentación era aritmética, por lo
cual debía reducirse la población. Otros conceptos usados entonces ya tenían
antecedentes en matemáticas de probabilidades, que tuvieron su origen en la
teoría de juegos de Pascal (1623-1662), Bernoulli (1654-1705), Quetelet (1796-
1874) y Poisson (1781-1849).
Un hito fue el descubrimiento de la curva normal por de Moivre en Inglaterra, La
Place en Francia y Gauss en Alemania, por su influencia decisiva en el arte de la
inventariación que condujo al desarrollo de la estadística matemática,
fundamentalmente de los métodos del análisis de varianza y covarianza de Fisher
a partir de 1936, la posibilidad de los cálculos de errores y tamaños de muestra,
las posibilidades de la regresión que propician el uso intensivo de las tablas de
volumen (Lema, 1995), y el uso de las fotografías aéreas, originalmente en
Tharandt (Alemania) por Hugersdorff, pero sobre todo en USA, Africa y la
Comunidad Británica.
1.3 Objetivo del inventario.
El objetivo último del inventario es la descripción cuantitativa de una población
forestal, para obtener resultados útiles para efectos prácticos de su manejo, ya
como plantaciones o como bosques naturales. La Población, será entonces el
universo o espacio muestral S objeto de nuestro interés, con dos características

5
relevantes: la primera, que los individuos de ella, sean de forma similar y en
inventarios esto se refiere fundamentalmente a las parcelas en forma y área, o
que no existen, estadísticamente hablando poblaciones compuestas de unidades
de área de diferentes tamaños. Cuando ello se da, es necesario implemetar
nuevas propuestas de muestreo como los estimadores de la razón o los
muestreos PPS. Lógicamente los árboles como individuos de una población
también podrán ser entes individuales de ella, en otros tipos de muestreo. En
este caso la forma o concepto será el árbol, o cada individuo en particular.
La segunda que los individuos difieren con respecto a una característica física o
atributo, lo cual constituye su variación, ejemplo un volumen, un área basal (G),
un diámetro promedio, lo cual permite acercarse a ella a través de la estadística,
y especialmente del muestreo en todas las formas posibles.
Existen entonces diversos conceptos de población aun en un mismo bosque. El
forestal deberá definirla para lograr respuesta a los objetivos buscados, y al
mismo tiempo satisfacer unas condiciones óptimas, técnicas, económicas y
logísticas desde el punto de vista estadístico. El reconocimiento y distinción de la
población objetivo, es evidentemente el primer requisito para la planificación y
ejecución de un buen inventario.
Las características poblacionales pueden ser medidas cuantitativamente o
pueden ser descritas y contadas en ambos casos. Si el árbol individual es mirado
como una unidad, entonces se le miden sus parámetros dendrométricos como
diámetro y altura, el volumen no se mide directamente, pero puede calcularse
con base en ellos, surgiendo entonces informaciones directas e indirectas con
sus diversos tratamientos. Otras características, como la composición de
especies y la calidad de la madera, tampoco pueden medirse directamente pero
si ser descritas y, por medio de las distribuciones binomiales ser transformadas
a formas cuantitativas.
Se asume la mayoría de veces que en una población forestal las unidades de
áreas individuales son distribuidas al azar con respecto a una característica
particular, como el volumen, el peso u otras pero, sí en el bosque se dan altos o
bajos valores de ellos al mismo tiempo, solo se deberán al azar. Forestalmente
hablando existen muchas razones que impiden tal distribución aleatoria en los

6
bosques, como la calidad de los sitios, diversos microclimas, ciclos de
regeneración diferenciales, topografía, edades, efectos o influencias antrópicas,
que crean diferencias que conducen a tener subpoblaciones dentro del bosque.
1.4 Fundamentos para la teoría del muestreo en inventarios.
Conocer las características esenciales de un conjunto de medidas es difícil, por
ello se recurre a ciertas técnicas gráficas o numéricas para resumirlas, como un
histograma, por ejemplo, que permite algo de ello y además posibilita una
estimación empírica de la forma de la población. Una vez establecida una
distribución de frecuencias relativas es posible con argumentos probabilísticos
calcular medidas numéricas que resuman la información como la media, la
varianza, la desviación estándar, así como sus límites probables.
La experiencia de los autores más reconocidos en inventarios como (Loetsch y
Haller, 1964; Schumacher, 1943) entre otros, muestran que la forma más fácil
de comprender el muestreo, es a través de demostraciones empíricas y
comparaciones con una población conocida. Para ello se acudirá a una población
de 400 ha. varias veces modificada en diversos aspectos. Para ello se asumirá
cada valor de ella desconocido a menos que por azar salga seleccionado el punto
en el cual está inscrito, lo que equivale a hacer una muestra en un lugar
desconocido, Figura 1.1.

Figura 1.1. Elementos para manejar las poblaciones fuente de datos.

7
Por ejemplo, si la muestra hubiera caído en el cuadro 1, equivaldría a haber
encontrado un volumen en una parcela de 1/40 ha de 4.075 m 3/parcela o 163

m3/ha. La población #1 Figura 1.2 presenta los siguientes volúmenes en m 3 ha

y por bloque,

Tabla # 1.1 Volumen promedio/ha de los 16 bloques de la población #1

Coordenadas A B C D
1-5 174,32 171,08 71,56 33,36
6-10 280,00 281,16 208,76 120,76
11-15 273,52 279,00 192,80 167,70
16-20 182,28 180,08 63,28 51,44

teniendo en cuenta que son 16 bloques, que difieren mucho por zonas de 25 has
cada uno.
A B C D
1 163 191 191 140 250 133 125 184 148 206 0 15 0 0 44 0 23 0 0 30
2 155 133 170 163 206 176 243 265 170 110 125 0 15 81 110 0 125 38 15 59
3 221 206 170 194 214 133 103 222 184 206 148 103 59 8 110 15 38 0 0 30 I
4 206 140 155 148 191 148 280 170 148 199 176 81 44 30 0 38 38 66 66 38
5 125 103 148 191 184 163 163 140 110 148 184 191 110 66 89 0 0 118 59 38
6 280 309 271 288 163 324 346 125 184 214 250 214 148 176 103 74 89 8 0 0
7 316 250 169 339 346 339 288 258 303 222 176 250 169 191 133 191 155 89 38 8
8 265 346 331 265 258 214 361 324 229 309 243 346 229 206 110 133 148 170 66 89 II
9 280 354 309 375 125 398 346 383 221 250 221 339 176 89 155 89 235 214 199 118
10 125 176 331 346 383 206 316 331 339 199 295 235 375 206 184 301 148 199 103 155
11 346 413 316 273 221 441 413 316 214 243 301 221 221 148 110 133 148 235 96 206
12 280 265 199 280 176 229 354 235 184 229 258 229 163 110 74 163 176 140 133 118
13 339 398 250 339 273 316 325 250 184 324 316 96 206 303 191 243 133 280 74 176 III
14 346 346 258 295 288 288 368 206 368 265 324 199 118 155 265 125 199 155 273 250
15 163 273 81 214 206 243 214 258 390 118 191 148 214 89 170 184 110 125 191 155
16 273 163 148 163 103 214 184 155 221 229 199 118 155 265 125 199 155 125 103 89
17 133 184 191 148 199 191 191 184 140 221 110 15 51 23 30 110 66 51 0 23
18 163 250 243 125 176 206 191 163 221 243 133 44 0 23 0 0 44 38 51 44 IV
19 96 206 199 199 229 148 155 155 118 199 89 0 125 23 8 8 0 0 0 38
20 235 229 221 163 118 191 59 235 140 148 23 23 0 0 0 15 0 38 74 15
a b c d e f g h i j k l m n o p q r s t

Figura 1.2 Población # 1

Esta podría ser la estructura de un bosque con rodales de diferente condición,

ejemplo distintas especies o diversas edades o sitios.
Para obtener un bosque con una estructura más homogénea, se construyó la
población #2, Figura 1.3, en la cual se abrió una columna entre las de la
población #1 y se llenó con las columnas t, s, etc en orden descendente
reduciendo sensiblemente las diferencias entre los bloques, como podría ser la

8
condición de un bosque natural maduro de cativo por ejemplo en el cual no se
han hecho intervenciones en los últimos años

A B C D
1 163 30 191 0 191 0 140 23 250 0 133 44 125 0 184 0 148 15 206 0
2 155 59 133 15 170 38 163 125 206 0 176 110 243 81 265 15 170 0 110 125
3 221 30 206 0 170 0 194 38 214 15 133 110 103 8 222 59 184 103 206 148 I
4 206 38 140 66 155 66 148 38 191 38 148 0 280 30 170 44 148 81 199 176
5 125 38 103 59 148 118 191 0 184 0 163 89 163 66 140 110 110 191 148 184
6 280 0 309 0 271 8 288 89 163 74 324 103 346 176 125 148 184 214 214 250
7 316 8 250 38 169 89 339 155 346 191 339 133 288 191 258 169 303 250 222 176
8 265 89 346 66 331 170 265 148 258 133 214 110 361 206 324 229 229 346 309 243 II
9 280 118 354 199 309 214 375 235 125 89 398 155 346 89 383 176 221 339 250 221
10 125 155 176 103 331 199 346 148 383 301 206 184 316 206 331 375 339 235 199 295
11 346 206 413 96 316 235 273 148 221 133 441 110 413 148 316 221 214 221 243 301
12 280 118 265 133 199 140 280 176 176 163 229 74 354 110 235 163 184 229 229 258
13 339 176 398 74 250 280 339 133 273 243 316 191 325 303 250 206 184 96 324 316 III
14 346 250 346 273 258 155 295 199 288 125 288 265 368 155 206 118 368 199 265 324
15 163 155 273 191 81 125 214 110 206 184 243 170 214 89 258 214 390 148 118 191
16 273 89 163 103 148 125 163 155 103 199 214 125 184 265 155 155 221 118 229 199
17 133 23 184 0 191 51 148 66 199 110 191 30 191 23 184 51 140 15 221 110
18 163 44 250 51 243 38 125 44 176 0 206 0 191 23 163 0 221 44 243 133 IV
19 96 38 206 0 199 0 199 0 229 8 148 8 155 23 155 125 118 0 199 89
20 235 15 229 74 221 38 163 0 118 15 191 0 59 0 235 0 140 23 148 23
a t b s c r d q e p f o g n h m i l j k

Figura 1.3 Población #2

Tabla 1. 2. Volumen promedio/ha de los 16 bloques de la población #2

Coordenadas A B C D
1-5 112,48 95,20 127,44 115,20
6-10 195,52 205,24 244,48 245,44
11-15 237,80 204,56 242,84 228,96
16-20 134,84 98,88 124,76 118,60

La población #1, fue nuevamente transformada en la población #3 Figura

1.4, un modelo más real, con las diferencias de volumen atribuibles a
condiciones de silvicultura irregular, a diferencias en edad o diversas
condiciones de sitio, en el cual también se presentan unas zonas
caracterizadas por diferencias de volumen entre ellas y más homogéneas en
su interior.
La población # 4 Figura 1.5, también tiene los mismos valores de las
poblaciones anteriores, pero repartidos en 1600 parcelas, formando
manchas de 3 a 18 ha, compartiendo espacio con 1200 de ellas sin

9
 volumen, a la manera de los bosques tropicales, con un volumen promedio
de 42.35 m3/ha.

I II III IV
1 30
2 59 0
3 163 30 15
4 191 155 38 0 0
5 101 133 221 38 66 38
6 140 140 206 206 0 59 0
7 250 163 170 140 125 8 0 66 23
8 206 155 155 103 280 89 38 118 125
9 133 125 184 148 206 0 0 15 0 44 0 A
10 76 243 265 170 110 125 0 15 81 110 0
11 214 133 103 221 184 206 148 103 59 8 110 15 38
12 148 191 148 280 170 148 199 176 81 44 30 0 38 38
13 148 191 184 163 163 140 110 148 184 191 110 66 89 0 0
14 309 271 288 163 224 346 125 184 214 250 214 148 176 103 74 89 8
15 316 250 339 169 346 346 288 258 303 221 176 250 169 191 133 192 155 89
16 265 346 331 265 258 214 361 324 229 309 243 346 229 206 110 133 148 170 66
17 280 354 309 395 125 398 346 383 221 250 24 339 176 89 155 89 235 214 199 118
18 125 176 331 346 383 207 316 331 339 199 295 235 375 206 184 301 148 199 103 155
19 346 413 346 273 221 491 413 316 214 243 301 221 221 148 110 133 148 235 96 206
20 280 265 199 280 176 229 354 235 184 229 257 229 163 110 94 163 176 140 133 118
21 339 398 250 339 273 316 325 250 184 324 316 96 206 303 191 243 133 280 74 176
22 346 346 258 295 288 288 368 206 368 265 324 199 118 155 265 125 199 155 273 250
23 163 273 81 214 206 243 214 258 390 118 191 148 214 170 89 184 110 125 191 155
24 163 148 163 103 184 155 221 229 199 118 155 265 125 199 155 125 118
25 184 191 148 199 163 140 221 110 15 51 23 30 110 66 51 0 B
26 243 125 243 133 44 0 23 0 0 44 38 51
27 199 199 89 0 125 23 8 8 0 89 0
28 221 148 23 23 0 0 0 15 191 23 74
29 250 214 273 184 191 44
30 206 191 133 155 155 38
31 229 206 163 235 59 15
32 148 96 221 199 0
33 191 235 118 163 38
34 140 176 103
35 29 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 1.4 Población # 3

Las poblaciones se usarán didácticamente para comparar los diversos
métodos de muestreo, ante las imposibilidades físicas de hacerlo
rutinariamente, teniendo la misma información básica en diferentes
estructuras agrupacionales.

10
                                                  
                          
               
    
     
  
   
     
  
 
    
       
  
 
  
  
             
   
  
      
 
        
        
                
                
   
         
     
              
            
                
                
                       
   
         
   
      
         
     
           
        
     
    
  
  
   
  
   
      
   
     
 
       
             
     
   
      
       
      
       
     
        
     
   
    
            
        
 
           
       

  
     

 

Figura 1.5 Población # 4

La comprensión de que la población en muchos casos es espacialmente

estratificada pero que los individuos difícilmente se distribuyen al azar es
de vital importancia para la planificación y ejecución de los inventarios
forestales. Las reglas estadísticas se basan generalmente en el azar, por lo
cual es necesario introducirlo posteriormente, para una adecuada
distribución de la muestra en la población, aunque ella esté gobernada por
otros factores diferentes a él.
1.5 Repaso de algunos conceptos estadísticos fundamentales.
Es frecuente y deseable resumir la información acerca de una distribución de
una variable aleatoria (VA) por medio de unos pocos valores descriptivos de
ellas, y aunque no se conozca la distribución subyacente, es posible y útil
calcular medidas resumen de unos datos, usualmente medidas de tendencia
central y diversos momentos que expresan otras características de la
distribución, conocidas como los descriptores de una distribución.
1.5.1 Medidas de tendencia central (TC). Uno de los descriptores simples
más importantes, es el punto alrededor del cual se centra la distribución,

11
 conocidas como medidas de TC. Las más importantes son la media, la
mediana y la moda.

1.5.1.1 Valor esperado o media. El valor esperado, llamado media

aritmética, promedio, media, se define como

N
 x i p  x i    x VA DISCRETAS
E  x    i 1 1.1
  x f  x  dx  
  x VA CONTINUAS .

Acá se puede pensar que el efecto de las funciones de probabilidad o de

densidad es asignar pesos relativos a los valores de la VA. El valor esperado
puede ser mirado como el centro de gravedad de la distribución, esto es el
punto alrededor del cual la suma de las probabilidades a la izquierda
balancea exactamente las de la derecha. Ejemplo el promedio de puntos al
lanzar un dado:

X 1 2 3 .... 6

p(x) 1/6 1/6 1/6 .... 1/6

6
E  X    xi p  xi   1 6 1  ...1 6  6  3.5
i 1

En este caso la variable aleatoria jamás toma su E(x). Para una variable
aleatoria continua, sea Y una variable aleatoria que representa la vida útil de
un automóvil público en Colombia, cuya función de densidad se encontró
experimentalmente como f  x   2.85 x 2 para valores de 1  x  30, x = el

modelo que se obtiene restando al año actual el año de fabricación

 1 30 2.85 30 2.85
EX    x 2
dx   x 2 dx   dx  9.6434
3 x 1 x 1 x
la vida media útil de un carro público en Colombia oscila alrededor de los
9,6 años, siendo el modelo presentado el adecuado. La media aritmética o
simplemente promedio es la más adecuada de las tres medidas de
tendencia central para los inventarios forestales y la más conocida. En
general, una media poblacional, que es una esperanza, será denotada por

12
 N

1 + X 2 .... + X N
 Xi
 = E (X) = X = i=1
1.2 
N N
La media  ocupa una posición particular importante entre otras cosas por
las siguientes:
N N
1)   xi     0; 2)   xi     mínimo .
2

i 1 i 1

 x  
2
Sí m denota el valor que conduce a 2), entonces: la d i dm de
i 1

donde:
N
2   xi  m  1  0; 2  xi  Nm   0 , m   .
i 1

Esto hace tan importante este parámetro como tipificador de una población.
Se dan otras presentaciones desde el cálculo para la media. Cuando en
todo punto de un plano cartesiano, es posible expresar un parámetro en
función de sus coordenadas (x,y), bajo una función del tipo g = h(x, y), se
puede obtener la media m(g) con la integral doble

 h(x, y) dxdy
m(g) = g = D
1.3
 dxdy
D

Para captar mejor el concepto, supóngase un dominio D consistente en el

área formada por un cierto bosque de colinas y que g sea la altura sobre el
nivel del mar (acotada como cero). m(g) representará entonces la altura
promedia de dicha área con respecto al plano cero, ya que el denominador
no es más que la superficie del bosque. Similar sería el manejo del aspecto
probabilístico. Sea F(g0) una función que estima la relación entre áreas con
una altura inferior o igual a g0 y el área total. Entonces:

F ( g 0 ) = prob  h(x, y)  g 0  1.4

F(g) será entonces la función de distribución de probabilidades del tamaño
aleatorio h(x,y) en el dominio D. Así mismo sea f(g) = F'(g) la derivada con
respecto a g de F(g), entonces

13
 dS
Prob  g  h(x, y)  g + dg  = f(g) dg = 1.5
S
en la cual dS es la superficie en la cual la altura sobre el nivel escogido
queda comprendida entre g y g + dg, con dg infinitamente pequeño.
Entonces cualesquiera que sean g1 y g 2 , es posible tener:

f(g) dg = F( g 2 ) - F( g 1 ) = Prob  g 1 < h(x, y)  g 2  1.6

g1
g2

que define la densidad de probabilidad del valor aleatorio h(x, y) en D. Si se

reemplaza el elemento dxdy por dS de (1.5), o sea si se tiene dS = S f(g) dg,
1 1
1.7 
gmax
m(g) =
S
  gdxdy =
S  gmin
g S f(g) dg

que define la media más probable para el valor h(x, y):

m(g) =  gg max
min
g f(g) dg 1.8
que conduce al ya conocido resultado de reemplazar la integral por la
sumatoria, y la probabilidad elemental por la frecuencia elemental de cada
observación, cuando no es posible conocer las funciones, asi:
N
1
m(g )est =  g i 1.9 
i=1 N
1.5.1.2 Media geométrica Cuando por intuición se aprecie que una
distribución o una población tiene comportamientos de progresiones
geométricas o exponenciales, el valor de equilibrio se puede estimar como
n
X g  n  xi 1.10 
i 1

y se usa para incremento de seres vivos, acumulación de capitales, tasas de

mortalidad.
Ejemplo: se midió el aumento de una población de moscas por hora durante 4
horas con los siguientes resultados, para buscar la rata de cambio promedia.
Los datos se entregan en la Tabla 1.3

La rata de cambio promedia, será : X g  31.25  1.40  1.60  1.409;  X  1.417 .

14
 Tabla 1.3 Datos para cálculo de una media geométrica

1.5.1.3 Media Harmónica: Para distribuir poblaciones que siguen una

progresión aritmética inversamente proporcional, como los tiempos promedios
de rendimientos en una tarea.

n
XH  n
1
1.11

i 1 x

Ejemplo: Calcular el tiempo promedio de apeo de un árbol entre 3 hacheros

que muestran los siguientes resultados/árbol tipo.

1. hachero tumba el árbol en 10’  en 1’ hace 1/10 de la tarea

2. hachero tumba el árbol en 15’  en 1’ hace 1/15 de la tarea

3. hachero tumba el árbol en 18’  en 1’ hace 1/18 de la tarea

3 3
XH    13.5 '  14.33 '
1 10  1 15  1 18 0.222

1.5.1.4 Mediana. Se define como el medio punto de la distribución. Para una

función de densidad f(x) la mediana es el punto tal que

z Me
 f  x  dx  0.50; 0  f  x  dx  0.50 1.12 ,
 

o sea el valor de la variable aleatoria que tiene exactamente la mitad del área
bajo la función de densidad. Se define igual para VAD, como el valor de la VA
por debajo o por encima del cual se sitúa el 50% de los datos de una muestra.
Si x1, x2 ... xn representan en orden creciente la colocación de los datos de una
población.

15
  X n 1 n es impar
 2
X me  X  X 1.13
 2
n
n 21
si n es par
 2
Ejemplo: La X med de 3, 12, 4, 8, 5, 16, 24  3, 4, 5, 8, 12, 16, 24

n 1 7 1 89
   el cuarto número. De 3, 4, 5, 8, 12, 16, 24, 27   8.5
2 2 2
Es una apropiada medida de tendencia central para variables aleatorias no
distribuidas simétricamente. En algunas variables es quizás mejor

representación su mediana que X ya que no es sensitiva a pequeños números

de las observaciones extremas. Se le conoce también como el percentil 50.
Divide las observaciones en dos mitades. Puede conseguirse una buena
aproximación de ella, moviéndose de izquierda a derecha en la clase donde se
encuentra, buscando el porcentaje de observaciones que completan el 50%.
1.5.1.5 Moda. Para variables discretas es el valor de la VA con la más alta
probabilidad. En VAC es el valor de VA asociado con el máximo de la función
de densidad. También se define como el valor que más se repite: no es una
buena medida de la tendencia central ya que a menudo depende de una
recolección arbitraria de datos, pues es altamente influenciable por la muestra
o porque puede aparecer varias veces como en las distribuciones
multimodales. Sin embargo en inventarios es clave para describir procesos de
estratificación, muy comunes en los bosques. Su principal uso es descubrir
subpoblaciones S’ dentro de S o poblaciones.

Al comparar las tres medidas. La X aritmética es muy sensible a

observaciones extremas, la mediana es menos afectada y la moda no es
influenciada por ellas, que coinciden en funciones simétricas unimodales.
1.5.2 Momentos de una distribución. Además de las medidas de TC, es
posible describir la dispersión, simetría y grado de aplanamiento de una
distribución, por medio de unas funciones llamadas momentos. Para

simplificar la notación k ’ será usado para designar E X

k
 
1 denota E  X 1   E  X  de la VA(X). k es conocido como el k-ésimo

16
momento crudo de la distribución o el k-ésimo momento alrededor de cero, o
quizás del origen.
1.5.2.1 Momento alrededor de la media. El k-ésimo momento alrededor de
la media o momento central:

   x    k f  x  dx
 VAC
k  E  X  1  1.14
k 1
  
  xi  X1  p  xi 
k
 VAD

Una distribución queda completamente especificada si se le conocen todos sus

momentos, pero se considera adecuadamente descrita con los 4 primeros,
especialmente en distribuciones empíricas. El primer momento siempre es
cero:

1  E  x   '1   E  x   E   '1    '1   '  0 1.15

El segundo momento alrededor de la media es una famosa medida de
dispersión conocida como varianza

   x    2 f dx VAC
 x 
2  Var  x   E  X  1  1.16
2 1
  
  xi  1  p  X i  VAD
2


Equivalentemente Var  x          que se justifica así:

2

2 1

Var  x   E  x  1   E  x 2  2x 1   1    E  x   21E  x    1 

2 2 2 2
 
 E  x 2   2  1    1  Var  x   2   1 
2 2 2

La dispersión de los datos se hace entonces por medio de la segunda

cualidad de la media. La varianza, también se da como
N

 (Y   )
2

V Y  = E Y    =  = 1.17 
2 i
2 i=1

N
A partir del concepto para la media desde el cálculo, es posible obtener la
varianza como la doble integral:

  D  h(x, y) - m(g)  dxdy

2

V(g) = 1.18
  D dxdy
que se vuelve:

17
 1 1
  D  h(x, y) - m(g)  dxdy =  gg max  g - m(g)  S f(g) dg
2 2
V(g) =
S S min
1.19 
 g - m(g) 
g max 2
= g min
f(g) dg

que se convierte en la expresión ya conocida, cuando no es posible conocer

h(x,y):
N
V estim(g) =   g i - m(g) 
1
1.20
2

i=1 N
la cual se torna insesgada introduciendo el concepto de grados de libertad:
1
(g) =   g - m (g)  1.21
N 2
V estim e
N -1
i
i=1

concepto ya ampliamente conocido.

1.5.2.2 Desviación estándar = . La raíz cuadrada de Var(x) es la desviación
promedia o estándar. Se expresa en las mismas unidades de la variable
original. Como se verá para una VA siguiendo una distribución Normal, los
valores de    , alcanzan una probabilidad del 68.3% y del 95% para   2

1.5.2.3 Asimetría. El tercer momento alrededor de la media se relaciona con

el sesgo o asimetría de una función, definida como

3  E  x  1  1.22
3

una fórmula útil para ello es 3  3  32 1  2  1 

3

Una distribución unimodal (un solo punto de máxima) con 3  0 se dice que
es sesgada a derecha, o que tiene una cola a izquierda. La convención adopta

este nombre por la posición de X . Para distribuciones simétricas 3  0 . La

1  3 / 2  mide el sesgo relativo a su grado de dispersión, y

3
cantidad 2

como es una medida estandarizada, permite comparar la simetría de

distribuciones con escalas de medición diferentes. 1 también se conoce

como  3 , cuyos valores negativos muestran sesgos a la derecha.

1.5.2.4 Ahuzamiento o kurtosis. El cuarto momento está relacionado con el

grado de ahuzamiento o aplanamiento de una función de densidad. Se define
como

18
4  E  x  1  1.24
4

La estandarizada  2 
4   4 es una medida relativa de la Kurtosis. Valores
22
de 2   4  3 son de distribuciones más puntiagudas que la normal
(leptocúrticas),  2  3 platicúrticas y  2  3 mesocúrticas.

1.5.2.5 Momentos con respecto al origen de orden m. El m-ésimo momento

muestral de una VA con respecto al origen se denota como M(m) y se define
como

M m    X m p(x ) 1.25 
x

El M(0) = 1. El M 1   x p  x  E  X  es la esperanza matemática vista de la

VAX y coincide con el valor medio de una distribución, como se muestra en

(1.1). S debe notar que sí X es una variable aleatoria discreta y Y= f(x),

entonces E Y   E f  x      f  x p  x .
1.5.3 Propiedades de la esperanza. Se dan algunas muy útiles sobre todo en
ciertas demostraciones:

1) Si K = constante  E  k    k p  x  k  p  x  k
2) E  kX    kx p  x   k  x p  x   k E  X 
3) E  k  X   E  k   E  X   k  E  X 

4) E  k  bX   k  bE  X 

5) E  X  x   E  x   E  x   0

Siempre la  de desviación con respecto a la media = 0

1.5.4 Propiedades de la varianza- Acordándose que:

M 2  Var (x )  E  X       x    p  x  .
2 2

1) Var  X   E  X       0
2 2
x

2) Var kx   k Var  x   Var kx   E kX  k    Ek  X     k  X 

2 2 2 2 2 2

3) Var k   0

19
 4) Var k  X   Var  X 

5) Var  X   E  X   E  X 

2
2
Otra forma muy útil de expresarlo

1.5.5 Distribución conjunta de dos variables aleatorias. Cuando en una

misma población se estudian dos características, aparece el concepto de

distribución conjunta de probabilidades. Se define una distribución conjunta
de probabilidades de dos variables X y Y de una población como:
p  x , y   p  X  x , Y  y  . Ejemplo. Un árbol de 25 m de altura y 1,25 m de
i i i i
3

volumen, tendrá una P(x = 25, Y = 1,25) = algún valor. Sus principales
propiedades son:

P  xi, yj   0 ,

  p  x ,y   1 , 
j i
i j
F x , y
i j   p r X x y Y
i
y j  y, una muy importante la

Covarianza, medida de la variación conjunta de dos variables aleatorias y

definida como

Cov  X , Y    xy  E  X  x  Y  y     xi    y x j  y  P  xi , y j  1.26
j i

En términos de esperanza también se le calcula como  E  xy   E  x  E  y 

1.5.6 Coeficiente de variación Otra medida de la dispersión, calculada

también como  %  100

 Es útil en algunos procesos sobre todo para el
cálculo del tamaño de la muestra.

En conclusión la población asumida como un espacio muestral S tiene los

elementos de la Figura 1.6: la población S tiene parámetros, que son
constantes y generalmente desconocidos, la muestra S' es una subpoblación
hipotética, como tal se muestra en la citada figura, aunque los elementos
provienen de cualquier parte del espacio muestral S, y se caracteriza por
parámetros muestrales, que son variables aleatorias pues cambian
permanentemente de muestra en muestra. Ver 1.10.

1.5.7 otros conceptos importantes. Se considera necesario el conocimiento de

estos otros conceptos para una buena labor en inventarios forestales.

20
 Figura 1.6. Elementos de una población (S) y de una muestra (S').

1.5.7.1 Independencia de variables aleatorias: recordar que P(AB) = P(A). P(B)

si dos eventos A y B son independientes. Se puede definir entonces que 2 VA X
y Y son independientes si y únicamente si su función conjunta de probabilidades
o su función de densidad de probabilidades es el producto de sus funciones
marginales de distribución. Entonces si X y Y son independientes:

p  X ,Y i j   p  X  p Y 
1 i 2 j
X Y en VAD
i j

f  X ,Y   f  X  f Y  X Y en VAC
1 2

1.5.7.2 Distribuciones condicionales. Ya sabe que Pr(A/B) = Pr(AB)/Pr(B) o

que Pr(B/A) = Pr(AB)/Pr(A). Inmediatamente surge el concepto análogo con VA.
Sean X y Y dos VAD con Pr  x , y  . La función de probabilidad condicional de Y i i

dado X, que se denotará: Pr y / x i i  es entonces la función de probabilidad de Y,

dado que se sabe que X  x entonces: i

P x , y 
P y x  
i j

P x 
j i
1 i

P1 (xi) = ya definido como función de probabilidad marginal de X. Así mismo:

f X, Y 
g Y X  
f X 
1

Si X y Y son VA independientes P(x i, yj) = P1(xi) P2(yj) =

P  x  P y  P
P y x   y 
1 i 2 j

P x 
j i 2 j
1 i

21
Similarmente g Y X   f y    2 ( XY )
0

1.5.7.3 Medidas descriptoras de distribuciones multivariadas. Si h(X, Y) es

una función de 2 VA. X y Y, entonces:
   h  X ,Y  f  X , Y  dydx en VAC
 


E h  x , y    
 

   h  x , y  p  x , y  en VAD
 i j
i j i j

1.5.7.4 Otras reglas para esperanzas y varianzas.

1) E  X  Y      x y

2) E  X    x

3) E  XY   E  X   E Y     x y
si X y Y son VA independientes

4) VAR  X  Y   VAR  X   VAR Y   2COV  X ,Y  si X y Y no son VAI

5) VAR  X  Y   VAR  X   VAR Y  si VA independiente

6) VAR  X  Y   VAR  X   VAR Y   2COV  X ,Y  si no sonVA independ.

7) VAR  X  Y   VAR  X   VAR Y  si VA independiente

1.5.7.5 Funciones de variables aleatorias. Son las que se forman de modo que
una variable nueva aparezca como el resultado de aplicar una operación a otras.
De ellas las más conocidas son las famosas combinaciones lineales.
Sea X1, X2 ... Xn, una serie de variables aleatorias que pudieran reunirse en una
sola variable así:
k

Y  a X a X 
i 1 1 2 2
a X k k
 ...   a X ; a  cons tan te j j j
j 1

Por ejemplo, el costo de un producto se puede descomponer en varios costos: C =

C1X1 + C2X2 ; X1 = costo fijo X2= un costo variable. El volumen de un
árbol V = a1d + a2h + a3 edad, etc. Sus descriptores se encuentran aplicando las
mismas propiedades.

1) E Y   Ei  a X   a E  X 
k

j 1
j j
k

j 1
j j

Por ejemplo: Y  2X  3X  4X  E Y   2X  3X  4X
1 1 2 3 1 1 2 3

2)  Y 
   a X    a a   X , X ; a ,a  cons tantes
k k k
2 2
e j j i j i j j i
i i 1 j 1

por ejemplo:

22
Y  a X  a X   Y
e 1 1 2 2
2
e    a X  a X   a   X   a a   X , X  
2
1 1 2 2
2
1
2
1 1 2 1 2

aa 2 1
 X , X   a a
1 2 2 2
  X   a   X   2a a   X , X   a   X 
2
2
2
1
2
1 1 2 1 2
2
2
2
2

Nótese que:   X , X 1 1    X  2
1

3) Sí X1 independiente de X2  a X  a X 2
1 1 2 2   a   X 
2
i
2
i

1.5.7.6 Varianza de dos funciones lineales de VA independientes.

 Y ,Y 
k k
2
1 2
con Y   a X ; Y   b X
1 i i 2 i i
i 1 i 1

 Y ,Y     a X ,  b X   a b   X 
k k k
2 2 2
1 2 i i i i i i i
i 1 i 1 i 1

Ejemplo. Y  a X  a X ; Y  b X  b X 
1 1 1 2 2 2 1 1 2 2

 Y ,Y   a b   X   a b   X
2
1 2 1 1
2
1 2 2
2
2 
1.6 Teoría de la estimación. Surge de las inquietudes que plantea S,
constituido de los parámetros muestrales, al resolver dos preguntas: 1) Que
valor atribuirle a  y a  2 (estimación puntual), 2) Entre que valores 1 y 2

situar  , sin que resulte diferente de su verdadero valor (estimación de

intervalo). Muchas de las buenas respuestas a ello surgen del teorema del
límite central que será presentado después.
1.6.1 Estimación puntual. Es el valor obtenido con los datos de S' (datos
muestrales) de un parámetro poblacional  Por ejemplo al calcular el volumen
promedio de cualesquiera de las poblaciones utilizadas ¿que podríamos decir
de un valor como 173.21 m3/ha ?, ¿que tan bueno es este estimado, frente al
desconocimiento que se tiene de los verdaderos valores de S?. Aparece
entonces el concepto de estimador puntual, el cual debe tener una serie de
características estadísticas y matemáticas para que se considere como bueno.
Ver 1.10.5
1.6.2 Características de un buen estimador. Un estimador bueno debe ser
entonces: a) Insesgado, b) Consistente, c) Suficiente y d) Eficiente. La media y
la varianzas muestrales gozan de todas estas características.

a) X es un estimador insesgado de  , como se desprende del teorema del

limite central de la estadística. Sean x 1, x2, x3...... xn, observaciones aleatorias,
independientes de una población que tiene una f(x) como función de

23
probabilidades con  2  X  finita, entonces a medida que aumenta n la tiende

a una población normal

 X = E(X)
 2 
X     ,  o,  2  2
(X) 1.27 
 n    (X) =
 n

Al concepto  2 X   se le conoce como error estándar cuadrático, error medio

cuadrático y a  X   como error estándar. Por su definición como una

desviación de medias, no es posible medirlo, entonces se acude a estimarlo,

dependiendo si se trata de muestras infinitas o finitas como

sx2 s2
sx2  ; sx2  x 1- Nn  1.28
n n
con el uso del factor de corrección.
La figura 1.7, trata de mostrar intuitivamente el concepto de error estándar (o
estándar).
El concepto 2, permite encontrar medias por cada subespacio o parcela
muestral sk en cuyo caso:

 X  X 
n n

 Xi
2
i
X i 1
; s X2  i 1
1.29 
k k 1
daría el error cuadrático de medias, o varianza de ellas. Pero otra cosa muy
diferente es cuando se toman muestras puntuales, como en 3), en cuyo caso
es donde se ve la importancia del teorema del límite central, que permite con
ellas encontrar (1.29).
1.6.3 Aleatoriedad. Con N cosas tomadas de a n se pueden formar A grupos
diferentes, de acuerdo con la combinatoria

 N  N!
 = =A 1.30 
 n  n! (N - n)!
Sí la probabilidad de selección de uno de ellos es 1/A, la muestra es aleatoria, o
sea que cualesquiera de ellos tiene igual oportunidad de ser seleccionado, este
supuesto resulta más importante incluso que el de la normalidad de la muestra.

24
Se dice que se logra cuando las observaciones se extraen independientemente de
una población común.

Figura 1.7. Diversas formas de muestrear un espacio muestral

Gráficamente se presenta cuando al representar las observaciones en el orden de
extracción de la muestra el diagrama tuviera una forma como Figura 1.8 a, en
que los puntos se muestran a uno y otro lado de la mediana muestral. Cuando
se presentan encadenamientos a derecha y a izquierda como en b), e incluso si
parecieran prevenir de dos poblaciones, la muestra deja de ser aleatoria.

Figura 1.8 Secuencias de las observaciones muestrales para ver aleatoriedad: a)

Independencia, b) observaciones correlacionadas, c) observaciones de dos poblaciones

25
La hipótesis nula diría que cuando las observaciones son aleatorias el trazo
secuencial de las observaciones cruza la mediana con frecuencia, en el caso
contrario con menos frecuencia. Cuando n es impar, la mediana pasaría por una
observación que no es D o I y por lo tanto no se cuenta y se trabaja la muestra
par n-1. Por ejemplo en b) según estén a izquierda o derecha, se muestran los
cruzamientos de la mediana con barras, formando la secuencia
DDD / III / DDD / I , definiéndose un número de series S, como la cantidad de
bloques separados, con lo que a mayor encadenamiento menor núnero de series.
Para n observaciones, cuando la hipótesis nula, Ho: la muestra es aleatoria, es
cierta se asume que S se distribuye como una normal:

 n
 E  S   1
n n 1   2
S     1;  n  n  2   n  1
1.31
2 4  
Var  S   
 4  n  1 4

Por otro lado la hipótesis alternativa también presenta usualmente pocas

series o sea que las observaciones se correlacionan positivamente como en c),
lo cual conduce a calcular probabilidades unilaterales. Por ejemplo con las
datos de b), con n = 11, se tendrá

E S  
10
 1  6 Var  S  
10  1  2.25 , al usar la aproximación normal.
2 4
Dado que se formaron 4 series entonces se plantea:

 S  S 46 
Pr ob  S  4   Pr ob     Pr ob  Z  1.333  0.0912 ,
 S 2.25 
o sea una bajísima probabilidad de que esa muestra fuera aleatoria.
Existe también la prueba de la diferencia medio cuadrática sucesiva, DMCS
que evalúa diferencias entre observaciones sucesivas mediante la siguiente
propuesta, sí Ho: la muestra es aleatoria, resulta verdadera:

 E  DMCS   2 2  Ho : muestra aleatoria;



n
2 
  xi  xi 1  n2
n 2
1
DMCS  
n  1 i 2
 xi  xi 1   DMCS i  2 ; s2  d   2 1.32 
d   n n
 xi  X 
2


 s 2

 i 1

26
pequeños valores de d, exigen el rechazo de la aleatoriedad. Ejemplo,
supóngase que la secuencia de las observaciones de b) hubiera sido 20, 22,
19, 16, 17, 15, 17, 21, 20, 22, 17. Entonces al calcular se tuvo
n

 x  x 
2
i i 1
DMCS 77
d  i 2
n
  1.2794
 x  X 
s2 2 60.1818
i
i 1

Además sí la muestra hubiera sido normal y la hipótesis nula verdadera

 DMCS  n2 9
E d   E    2; Var  d    0.0744
  
2 2
n 121

Quedaría por interpretar d=1.2794 en término de la distribución de todos los

posibles d, que probabilidad alcanzaría. Entonces se calcula:

 d  d 1.2794  2 
Pr ob     Pr ob  Z  2.6422   0.00411
 d 0.0744 

que propicia idea suficiente de no aleatoriedad.

1.6.4 Insesgamiento de la media y la varianza. El sesgo aparece cuando los
estimadores y los verdaderos parámetros no coinciden. De acuerdo con esto la
media es insesgada:

 n 
  xi  1 n 1
E  x   E  i 1    E  xi   n    E  x     0 1.33
 n  n i 1 n
 
 

La varianza también es insesgada, es decir E s   , o sea:

2 2
 
 n 2 
   xi  X   1  n 2
E  i 1  E    xi  X   1.34 .
 n 1  n  1  i 1 
 
 
Para verlo entonces, se trabajará solo con la esperanza, adicionando y
restando  :

27
  n   n 
E   ( X i -  - X +  )2  = E  [( X i -  ) - ( X -  ) ] 2 
 i=1   i=1 
 2 n n 2 
E     xi -   - 2  X -     xi -   +   X -     
n
 i 1 i 1 i 1  
 n
 i 1

2

n
i 1  
n
 2
E   xi -  - 2  X -    xi - n +   X -   
 i 1  

sacando n de factor común del termino de la derecha del segundo término

 n n x   2
 
2
E    xi -  - 2  X -      i  -   n + n  X -    
 i 1 
 i 1 n   
 n 2   n 2 
E    xi -  - 2n  X -   X -   + n  X -      E    xi -  - n  X -    
   
2 2

 i 1 
 
 i 1  
n 2 n 2 2

 E  xi -  2 nE X -     n  n
2
  2   2  n  1
i 1 i 1 n

aplicando el teorema del límite central al último término, entonces

n 2 1
n 2 - =  2 (n - 1)  E ( s 2 ) =  2(n - 1) =  2
n (n - 1)

Nota muy importante, a pesar de ser s 2 un estimador insesgado de  2 ,

curiosamente s ya no lo es para  , para lo cual los tamaños de n grande,
resuelven este problema.
1.6.5 Estimador consistente. Mientras mayor sea el tamaño (n) de la
muestra, mejor es el estimador. Sea el estadístico T un estimador de un
parámetro poblacional  . Sea T , T ,...,T
1 2 k una secuencia de estimadores con
tamaños de muestra n1, n2,...,nk, entonces

 n
P(| T n -  |  i ) = 1 
 i 0
al reescribirse la última expresión como el límite de convergencia en
probabilidad, o dicho de otra forma, cuando n es muy grande T  
1.6.6 Estimador suficiente. Dicho en una forma sencilla, es aquel que aporta
tanta información que la muestra por si misma ya casi no aporta nada más.
Una T = f(X1, X2,...,Xn) es suficiente si al afirmar T ya no se necesita saber más
de X1, X2,...,Xn. La media y la varianza muestral tienen esta propiedad.
1.6.7 Estimador eficiente. Se considera eficiente a un estimador T de un

28
parámetro poblacional , aquel que entre varios T1, T2,...,Tk insesgados,
presente la menor variación. Sean T1 y T2, insesgados, T3, sesgado, Figura 1.9.

Figura 1.9. Eficiencia de un estimador T

T1 mejor que T2, por tener menor varianza. Para poblaciones normales, X 1,

X2,...,Xn, X es mejor estimador que la mediana y que la moda. Para mostrarlo

sean E  X i   ,  2  X i    2 ; i =1, 2,.., 5. Todos independientes por ser

aleatorios, por tanto:

X 1 + X 2 ; = X 1 + X 2 + ... + X 5 
T 1= X 1 ; T 2 = T3 
2 5


( + ) 
E ( T 1 ) = E ( X 1 ) =  ; E ( T 2 ) = X 1 X 2 = 21 (  +  ) =  insesgados
2 


 ; E ( T 3 )= 5 5 = 
1


Las varianzas:

 2 ( T 1 ) =  2 ( X 1 ) =  2 ;  2 ( T 2 ) = 21  2( X 1 + X 2 ) =
2

1
4 2 2 = 21  2 ,  2 ( T 3 ) = 512 5 2 = 0.2 2

T 3
tiene casi todas las características deseables. Sea un nuevo estimador
definido como

x1 + 2 X 2 + X 3 + 2 X 4 + X 5 7
T4= _ E ( T 4 )= = ;
7 7

1
 2 ( T 4 )= 11 2 = 0.225  2
49

29
Sigue siendo mejor estimador T por su menor varianza:
3

 2 ( T 4 ) > 2 ( T 3 )

1.7 Cálculo de parámetros en poblaciones mezcladas.

Mirando nuevamente las poblaciones referencia, se encuentra que la #1 tiene

como característica aparte de su heterogeneidad, que los bloques A y B
presentan mayores volúmenes que C y D, lo cual parece implicar entonces el
concepto de poblaciones mezcladas. Si los componentes de ellas son
separados, su varianza total puede ser reducida de acuerdo con la porción
atribuible a las de los componentes poblacionales. A este proceso de dividir
una población en subpoblaciones más homogéneas, para reducir la
variabilidad total se le llama "estratificación", y a cada subpoblación
segregada: estrato.

El proceso se logra de múltiples formas: Si la causa de la heterogeneidad es

conocida (o supuesta), se puede hacer con base en factores como la ubicación
en valles o crestas, aspectos climáticos o ecológicos, gradientes de cualquier
naturaleza: elevación, pendientes. Por ejemplo aspectos de la vegetación,
diferencias geográficas, diferencias altitudinales, Figura 1.10.

Figura 1.10. Población estratificada. Concepto de unidad muestral (parcela o individuo )

30
Para ello son de gran ayuda las fotografías aéreas. Sí, como sucede en muchos
bosques tropicales, solamente algunos rasgos son reconocidos, la simple
división del área en figuras regulares geométricas llamadas bloques podrían
producir el efecto deseado sobre la varianza total, Figura 1.11. No se sabe si
los bloques contendrán subpoblaciones homogéneas, pero puede asumirse
que bloques vecinos resultan más homogéneos que bloques distantes, si
existen diferencias entre las áreas que los sustentan. Esta es una forma un
poco artificial, pero muy válida, de eliminar cierta variación. Los procesos de
estratificación serán abordados en posteriores capítulos.
1.7.1 Estadística de poblaciones mezcladas. Considérese una población
consistente de M estratos y cada uno con N j individuos, Figura 1.10. Cada
individuo de la población será designado como Yij , que significa: observación

Y (algún parámetro silvicultural como el volumen, la altura, el área basal, el

número de árboles) en la unidad de registro i (un individuo o una parcela), de
un estrato j.
1.7.1.1 Media aritmética y varianza de cada estrato. Número de
observaciones. La media aritmética y la varianza para cada estrato se
obtienen como
Nj Nj

Y (Y -j)
2
ij ij
 j = i=1 ;  2j = i=1
Nj Nj

Figura 1.11. Estratificación en bloques

31
El número de observaciones individuales en la población total se obtiene como
M
N = N 1 + N 2 + N 3 +.....+ N M =  N j 1.38
j=1

se obtiene la medida de la proporción del estrato j con respecto a la población

total así:
M
Pj=
N j Aj
= ; Pj 1 ; P j =1 1.39 
N A j=1

1.7.1.2 Media aritmética poblacional. Se obtiene como

M
N = N 1 + N 2 + N 3 +.....+ N M =  N j 1.40 
j=1

Muy diferente es el valor de la varianza de una población estratificada  est

2
, la

cual puede derivarse de la varianza de los estratos como:

Nj

(Y -j)
2
M ij
M
1 M Nj
 2
estr =  P j*  j
2
=N j
* i=1 = *  * ( Y ij -  j )
2
1.41
j=1 j=1 N Nj N j=1 i=1

La variación ya no depende de la media poblacional, sino de las medias

obtenidas por estrato. Resulta obvio entonces que las variaciones sin estratificar
serían iguales solo si las  j no difieren de  , de lo contrario, al homogenizar la

muestra  est
2
resultará menor. La siguiente inecuación, recoge ambos conceptos

 M Nj
2   M Nj 
N
 
2
=   ( Y ij -  )    N   (Y ij
2
-  j ) = N  estr
2
 1.42
 j=1 i=1   j=1 i=1 
La cual puede dejarse solo con el signo igual equilibrando el término de la
izquierda sumando y restado  j

 ( Y ij -  j +  j -  )2 =  [( Y ij -  j ) + (  j -  ) ] 2 1.43
con lo cual se llega a la siguiente importante ecuación:
M Nj M Nj M

  ( Y ij -  )   ( Y ij -  j ) N (  j -  )2
2 2
j
j=1 i=1
= j=1 i=1
+ j=1
1.44  ,
N N N

32
que también se puede reescribir como:

- )
M M
Nj
 2 =  estr
2
+ (  j -  )2 =  esrt
2
+ P j (  j 2

j=1 N j=1

interpretable en el sentido que la variación total se puede descomponer en la

suma de dos variaciones conocidas como variación dentro de los estratos, más la
variación entre los estratos.
1.7.1.3 Consideraciones sobre estratificación. La estratificación por bloques,
es pues algo artificial, lo cual no necesariamente garantiza que las
subpoblaciones dentro de ellos resulten más homogéneas de lo que ya era la
población total, por lo se acude a criterios más sólidos, como los ya expuestos.

A B C D
1 163 191 191 140 250 133 125 184 148 206 0 15 0 0 44 0 23 0 0 30
2 155 133 170 163 206 176 243 265 170 110 125 0 15 81 110 0 125 38 15 59
3 221 206 170 194 214 133 103 222 184 206 148 103 59 8 110 15 38 0 0 30 I
4 206 140 155 148 191 148 280 170 148 199 176 81 44 30 0 38 38 66 66 38
5 125 103 148 191 184 163 163 140 110 148 184 191 110 66 89 0 0 118 59 38
6 280 309 271 288 163 324 346 125 184 214 250 214 148 176 103 74 89 8 0 0
7 316 250 169 339 346 339 288 258 303 222 176 250 169 191 133 191 155 89 38 8
8 265 346 331 265 258 214 361 324 229 309 243 346 229 206 110 133 148 170 66 89 II
9 280 354 309 375 125 398 346 383 221 250 221 339 176 89 155 89 235 214 199 118
10 125 176 331 346 383 206 316 331 339 199 295 235 375 206 184 301 148 199 103 155
11 346 413 316 273 221 441 413 316 214 243 301 221 221 148 110 133 148 235 96 206
12 280 265 199 280 176 229 354 235 184 229 258 229 163 110 74 163 176 140 133 118
13 339 398 250 339 273 316 325 250 184 324 316 96 206 303 191 243 133 280 74 176 III
14 346 346 258 295 288 288 368 206 368 265 324 199 118 155 265 125 199 155 273 250
15 163 273 81 214 206 243 214 258 390 118 191 148 214 89 170 184 110 125 191 155
16 273 163 148 163 103 214 184 155 221 229 199 118 155 265 125 199 155 125 103 89
17 133 184 191 148 199 191 191 184 140 221 110 15 51 23 30 110 66 51 0 23
18 163 250 243 125 176 206 191 163 221 243 133 44 0 23 0 0 44 38 51 44 IV
19 96 206 199 199 229 148 155 155 118 199 89 0 125 23 8 8 0 0 0 38
20 235 229 221 163 118 191 59 235 140 148 23 23 0 0 0 15 0 38 74 15
a b c d e f g h i j k l m n o p q r s t

Figura 1.12 Población # 5 (población # 1 estratificada)

Por ejemplo la población #1 puede estratificarse en tres estratos como muestra la

Figura 1.12, población #5, que es la misma #1 pero dividida, con los siguientes

criterios: estrato I: volúmenes entre 000 - 125 m 3 /ha , estrato II: entre 126 -

249 m 3 /ha y estrato III: volúmenes > 250 m 3 /ha .

33
Ello es posible hacerlo con base en fotografías aéreas, premuestreos de campo,
historia de los rodales, entre otros. Es necesario entender las dificultades que
surgen al respecto, como las de incluir lugares o áreas con características
diferentes a las generales del estrato, lo cual no cambia el espíritu del concepto.
También resulta complicado el establecimiento de los bordes por efecto de ciertas
transiciones graduales que generan dudas con respecto a su ubicación
subpoblacional.

Se anota que esos niveles de detalle están influidos por la escala de fotos y
mapas, por desconocimiento de muchas situaciones silviculturales, pero que en
términos generales se satisfacen las expectativas del proceso a pesar de muchas
de estas imprecisiones. La división de la variación total en componentes tiene un
gran significado en inventarios forestales, fundamentalmente en costos y
tiempos, y clave para comprender el papel desempeñado por los análisis de
varianza, en los diferentes diseños de muestreo.

1.7.1.4 Distribuciones de frecuencia. Para apreciar que una población

efectivamente tiene subpoblaciones se acude a los polígonos de frecuencia
(absolutas o relativas), sí se identifican varios puntos de máxima intercalados,
entonces aparece alguna evidencia de ello. Para el efecto se toma la población
estratificada #5, la cual fue dividida en clases de 37 m 3 de ancho, se produjeron
los polígonos de frecuencia, para visualizar otras características que la media y
la varianza solas no muestran.
La Figura 1.13 muestra las frecuencias absolutas para la población y los estratos
I, II y III, salidos de la Tabla 1.4, que muestran las listas de frecuencias, clases y
marca de clase de la población #5, de donde se construyen los diversos polígonos
de frecuencia que hacen posible identificar los picos poblacionales. El polígono
de la población total muestra varios de estos, que hace suponer la existencia de
varias subpoblaciones dentro de ella. Es necesario hacer los análisis pertinentes
para mejorar la apreciación sobre tales poblaciones y anotar además, que tales
gráficas están muy influenciadas por las clases escogidas.
A veces aparecen picos simplemente por escoger intervalos de clase muy

34
pequeños y si son muy anchos pueden desaparecer características importantes
de la población.
Tabla 1.4 Distribuciones por clases y por estratos para la población # 5

MARCA ESTRATO III ESTRATO II ESTRATO I POBLACION

DE CLASE Nj fj Sfj Nj fj Sfj Nj fj Sfj Nj fj Sfj
0,00 27,00 0,218 0,218 27,00 0,068 0,068
19,00 23,00 0,185 0,403 23,00 0,058 0,125
56,50 29,00 0,234 0,637 2,00 0,011 0,011 31,00 0,078 0,203
94,00 22,00 0,177 0,815 11,00 0,062 0,073 33,00 0,083 0,285
131,50 13,00 0,105 0,919 40,00 0,225 0,298 1,00 0,010 0,010 54,00 0,135 0,420
169,00 10,00 0,081 1,000 51,00 0,287 0,584 3,00 0,031 0,041 64,00 0,160 0,580
206,50 50,00 0,281 0,865 13,00 0,133 0,173 63,00 0,158 0,738
244,00 15,00 0,084 0,949 19,00 0,194 0,367 34,00 0,085 0,823
281,50 9,00 0,051 1,000 16,00 0,163 0,531 25,00 0,063 0,885
319,00 19,00 0,194 0,724 19,00 0,048 0,933
356,50 20,00 0,204 0,929 20,00 0,050 0,983
394,00 4,00 0,041 0,969 4,00 0,010 0,993
431,50 3,00 0,031 1,000 3,00 0,008 1,000
124,00 1,000 178,00 1,000 98,00 1,000 400,00 1,000

Para evitar lo anterior se acude a la regla de Sturges, o la de la raíz cúbica del

número total de datos. (Lema, 1995).

Figura 1.13 Distribuciones de frecuencia poblacional y por estratos de la población # 5

35
También es posible hacer divisiones de frecuencias con clases diferentes, acá se
hizo con clases iguales, por ser fácil gráficamente así. También es posible
mostrar los polígonos con frecuencias relativas para acentuar la visualización de
los picos y se mejora a veces la percepción de los estratos. Otra presentación de
los datos se obtiene de los polígonos de frecuencias acumuladas, y relativas
acumuladas. que permiten estimación percentil, como se estudia en la
estadística descriptiva.
1.7.2 Efecto de tamaño de las unidades de muestreo. Las unidades de
muestreo son creadas artificialmente por lo cual carecen de dimensiones
naturales, como si las tiene el árbol por ejemplo, lo que posibilita infinitas
divisiones del bosque, de acuerdo con los tamaños elegidos. Para apreciar este
efecto, se pueden formar nuevas poblaciones juntando de a 2 parcelas, luego 4,
etc quedando poblaciones de 200 unidades, 100 unidades, etc. El proceso con de
a 2 unidades y1 j , y2 j , permite la formación de una nueva variable Z j como se

muestra a continuación:

Z j = Y 1j + Y 2j
haciendo L = N/2, por ejemplo en el caso de la población #1 L = 400/2; se tienen
los estadísticos:
L L L

Zj  y1 j y 2j

Z  j 1

j 1

j 1
 y1  y2 1.47 
L L L

   
L L

 Z  z  
2

2
 Y1  Y2  y  y 
j
 j j 1 2  
 z2  j 1

j 1
 
L L 
 1.48 
   Y    
L L
Y  2 2
 
  1j
j 1 
y1 2j  y2

2  Y1j  y1 Y2 j  y2
j 1
 
 
L L 

el último término de (1.48) es la covarianza por juntar unidades de muestreo y

como y1 j y y2 j son valores de áreas adyacentes se puede asumir que

1.49
L L

y  y ;   
j 1
1j
j 1
2j Y1 Y2

36
 1.50
L L N

sí  y   y   y ;     2  
j 1
1j
j 1
2j
ij 1
ij Y1 Y2 Y Z

2 2 2
 L   L  N 
L L N
  y1 j    y2 j    yij 
 j 1    j 1    ij 1 
 y12j   y22j   yij2 ,
j 1 j 1 ij 1
y
L L N
1.51

con lo cual se llega ver que (1.48) se puede rescribir así:

 L

  ( Y 1j -  Y 1)( Y 2j -  Y 2) 
 2z _ 2   Y2 + 
j=1

 L 
 
 

Esta ecuación muestra que la varianza  Z2 de unidades de área doble, está

compuesta de la varianza de  Y2
de las unidades de área simple y la covarianza

de las áreas conjuntas, debido a diferencias aparecidas entre ellas, divididas por
L. Manipulando esta fórmula se puede llegar a que

 2Z  4  Y2
dependiendo de la naturaleza de la población, con lo cual se encuentra que

 Z% <  Y %
Se asume como factor responsable para esa reducción de la variación al
incremento en el área de la parcela o unidad muestral, o sea a la covariación.
Una medida de ella es el llamado coeficiente de correlación, ya estudiada su
utilidad en otros contextos, el cual se presenta acá con la letra griega Rho (ρ) ya
que es parámetro poblacional y no estimado. Su numerador se conoce como
covariación.
L L

( Y 1j -  Y 1)( Y 2j -  Y 2) ( Y 1j -  Y 1)( Y 2j -  Y 2)
=
L
j=1
L
j=1
N N
1.55 
( Y ( Y ( Y ( Y
2 2 2 2
1j -  Y 1) 2j - Y 2) ij - Y ) ij - Y )
j=1 j=1 ij=1 ij=1

2 2

que con las transformaciones ya mostradas se podría escribir como

37
 L

( Y 1j -  Y 1)( Y 2j -  Y 2)
= j=1
L L

( Y 1j -  Y 1 ) ( Y 2j -  Y 2 )
2 2

j=1 j=1

o sea la relación entre la covariación y la mitad de la variación de los valores de

Y. Usando (1.52) y (1.56) se puede llegar a la fórmula de ρ
N L
  yij  y   y 1j  y1 y2 j  y 2 
ij 1

j 1
  y2 1.57 
2L  N L
L

 y 1j 
 y1  y2 j  y2  1 L
 j 1
1 2
 
L j 1
  
y1 j  y1  y2 j  y2   y2 1.58 
y
2
por lo cual se podría escribir,

 2Z _ 2  Y2 + 2  Y2 _ 2  Y2 (1 +  )
Como el coeficiente de correlación de unidades de áreas adjuntas puede llegar a
situarse teóricamente entre -1 y +1, el máximo valor que  2
Z
puede alcanzar,

iguala a 4 cuando   1, y el valor mínimo = 0 cuando   1 . Lo cual aclara

2
Y

(1.53). La Tabla 1.5 ilustra lo sucedido al duplicar las unidades de muestreo en

la población #1.
Tabla 1.5 Efectos de duplicar el tamaño de la muestra en una población
POBLACION
VARIABLE # 1 UNIDADES SENCILLAS # 1 UNIDADES DOBLES
TAMAÑO POBLACIONAL 400 200
MEDIA 170,77 341,53
MEDIANA 170,00 346,50
MODA 0,00 589,00
VARIANZA 10428,00 35557,30
DESVIACION ESTANDAR 102,12 188,57
MINIMO 0,00 0,00
MAXIMO 441,00 759,00
RANGO 441,00 759,00
COEFIC. DE VARIACION 59,80% 52,21%
SUMA 68.306,00 68.306,00

38
El coeficiente de variación de la población con unidades mayores resulta menor
que el de la población con las unidades simples, por lo cual se asume como
factor responsable de la situación a la covariación encontrada en la fórmula
(1.52).  , evaluado como (1.55) dio un valor de 0.7. Pero importa rescatar, hasta
este instante, el efecto que sobre los parámetros estadísticos tienen los cambios
de unidad de área, situación digna de tenerse en cuenta al momento de la
decisión acerca del tamaño de las parcelas. De los otros parámetros es difícil ver
los cambios y su efecto ya que  y  están influidas por la media, que cambió.
2

Para apreciar lo sucedido en la variación se acudirá entonces al coeficiente de

variación, mostrado en la Tabla 1.5, el cual también puede obtenerse como

1+ 
 z% _  y% 1.60 .
2

1+ 
La reducción del coeficiente de variación de  z% _  y% , por el efecto de
2
doblar las unidades de muestreo, es determinado por el factor radical de (1.60),
que permite las siguientes conclusiones: si  fuera 1, situación que casi nunca
ocurrirá, los coeficientes serían similares. Pero prácticamente en todos los casos

1+ 
dará menor de +1, con lo cual se reducirá  z% _  y% , es decir la
2
reducción se incrementa si el factor decrece, incluso a valores negativos. Por
ejemplo  z %  0.5 y % cuando   0.5 . La desviación estándar y el
coeficiente de variación dependen entonces del área y de la orientación espacial
de las unidades muestrales, en contraste con la media que permanece constante,
otra de sus ventajas.
1.8 Conceptos intuitivos de probabilidad.
En estadística matemática el concepto se desarrolla con bases puramente
axiomáticas. Para nuestros propósitos son más constructivas algunas visiones de
su significado como las dadas por (Hahan y Shapiro, 1968). La interpretación
clásica (o igualmente probable) dice: Si un evento ocurre de N igualmente
posibles y diferentes formas, y si n de ellas tienen un atributo A, entonces la
ocurrencia de A, denotada como Pr (A), es definida como n/N. Esta definición se

39
queda corta para muchas situaciones. La interpretación con base en frecuencias
relativas (o empírica), dice que si se hace un experimento N veces, y un atributo
particular A ocurre n veces, entonces el límite de n/N, en la medida que N sea
grande, es definido como la probabilidad de A, denotado Pr (A). Por ejemplo la
probabilidad de extraer un 6 de una muestra de 10 juegos de cartulinas
numeradas del 0 al 9. Al intentar una respuesta, es posible pensar que dicha
probabilidad sería la misma que extraerlo de un solo juego de cartulinas,
además notando que hay un 10% de 0, 10% de 1, etc. Si denotamos cualquier
número deseado con Y y su probabilidad asociada como p(Y), se encontraría que
p(0) = p(1) = p(2) = .. = p(9) = 1/10 = 0.1. En este caso particular la probabilidad
la encontraríamos como un porcentaje pudiendo decirse que, si se sacan muchas
tarjetas, la frecuencia relativa de obtener cualesquiera de los números de ellas se
aproximará a 0.1. La interpretación subjetiva (del hombre de la calle), será que
la probabilidad Pr (A) es una medida del grado de convicción que uno tiene en
una proposición especificada (A).
1.8.1 Repaso del concepto de probabilidad con base en frecuencias. Es una
de las más utilizadas por los estadísticos modernos. Una definición simple de
probabilidad la sitúa como el limite de la frecuencia relativa así:

Pr (X)  lim
n1
1.61
n
X cualquier resultado, por ejemplo un 0, un 1, etc. n número total de cartulinas,
n1 número de cartulinas extraídas con 0, 1, etc.
1.8.2 Propiedades elementales de la probabilidad. Los límites de las
frecuencias relativas, así como de su límite son
ni
0 1 y 0  Pr(X) < = 1 como además
n

n1 n 2 n
n1 + n 2 + ...+ n n = n ; + + ...+ n = 1
n n n
se obtiene la misma relación en el límite,
Pr( X 1 ) + Pr( X 2 ) + ...+ Pr( X n ) = 1

1.8.3 Resultados y probabilidades. El conjunto de todos los resultados posibles

de un experimento se le denomina espacio muestral S. El orden en que se

40
consignen los resultados no importa. Por ejemplo los sucesos { e1, e 2 .... e n } ;

{ e2 , en .... e1 } son el mismo conjunto. Cuando se quiere resaltar un resultado

especial en que el orden en su interior es importante, se encierra entre
paréntesis. Por ejemplo al tirar 3 monedas cada vez, o tirar la misma moneda de
a tres veces, aparecen las triplas ordenadas de caras y sellos, que se pueden
. (C, C, C) = s1
. (C, C, S) = s 2
. (C, S, C) = s 3
. (S, C, C) = s 4
representar por un punto:
. (C, S, S) = s 5
. (S, C, S) = s 6
. (S, S, C) = s 7
. (S, S, S) = s 8
Suponiendo que caras y sellos son igualmente probables y que las tiradas son
independientes, los 8 resultados anteriores resultan igualmente probables así:
1
Pr ( s 1 ) = Pr ( s 2 ) = ...= . Como a veces resulta complejo calcular las probabilidades
8
de algunos resultados se acude a los árboles de resultados. Por ejemplo, si en el
caso anterior se tuviera una moneda sesgada que al lanzarla mostrara cara 2
veces de cada 3 tiradas, su árbol de resultados podría construirse así, Figura
1.14.

Figura 1.14. Resultados de tres lanzamientos con moneda sesgada

Para calcular la respectiva probabilidad, considérese por ejemplo el penúltimo

41
resultado . (SSC), puede hacerse aplicando el concepto de frecuencia relativa,
suponiendo que muchas personas repitieron el experimento anterior: después del
primer lanzamiento sólo 1/3 de personas registraría S, después del 2do
lanzamiento, solo otro 1/3 de las anteriores registrarían S y después del 3er
lanzamiento, sólo 2/3 de las anteriores registrarían C, por lo tanto, el suceso
descrito tendría una probabilidad de 2/3 de 1/3 de 1/3 = 2/27, este resultado
es el que aparece en la última columna.
1.8.4 Los sucesos y sus probabilidades. Al indagar por el hecho de X = obtener
por lo menos dos caras, se mira en el árbol que este suceso incluye los
resultados s1, s2, s3 y s5, pudiendo decirse que el suceso X es la colección de los
puntos {s1, s2, s3 y s5}. Ello permite definir cualquier suceso o evento como un
subconjunto de resultados del conjunto S. La probabilidad de X, será entonces,
(1.60) se vuelve:
nx
Pr (X) = lim
n
en que n X frecuencia de X, y X acontece siempre que s1 , s2 , s3 , o s5 lo hagan, por
tanto
n1  n 2  n 3  n 5
n x = n1  n 2  n 3  n 5 y pr (X) = lim =
n
8 4 4 4 20
pr  s1   pr s2   pr s3   pr s5   + + + =
27 27 27 27 27
que se puede generalizar así: la probabilidad de un suceso es la suma de las
probabilidades de todos los puntos o resultados incluidos en el, o de otra forma
Pr (X) =  Pr ( si )
1.8.5 Combinación de sucesos. Un cálculo formal de probabilidades puede
desarrollarse en términos de teoría de conjuntos. Es posible del árbol de
resultados, averiguar por la probabilidad de un suceso como X = salir menos de
dos caras, o que todas la monedas exhiban el mismo resultado. Dándole nombre
a estos sucesos llamaríamos A = el suceso de salir menos de dos caras en tres
tiradas de una moneda; B = el suceso de que todas las monedas exhiban el
mismo resultado, presentado en otra forma es el evento:
A U B = S 4, S 6 , S 7 , S 8, S 1

42
que se define como el conjunto de puntos que están en A, en B o en ambos a la
vez. cuya probabilidad sería entonces de 5/9. Un suceso más restringido es
obtener menos de dos caras y que todas las monedas exhiban caras o sellos, o
sea los resultados que satisfagan tanto a A como a B. En este caso sólo .S8
satisfaría los requisitos. Dicho resultado se denota como A  B = { S 8 } , con
probabilidad de 1/27. Para sucesos combinados que no tengan puntos en
común, llamados mutuamente excluyentes, se tiene:

pr  A  B  = pr  A  + pr B  1.67
Si A Y B no son mutuamente excluyentes

Pr ( A  B ) = Pr (A) + Pr (B) Se podría seguir con todo el proceso que tratan los
conjuntos y los diagramas de Venn, pero no es el objeto de este manual, sólo se
trata de mostrar lo simple que se pueden volver los conceptos razonados, de un
elemento que como las probabilidades son vitales en los inventarios forestales.

1.9 Distribuciones muestrales.La distribución de probabilidades de una

estadística particular se puede determinar si se conoce, o intuye, la distribución
de la población de donde proviene, por ello se habla de distribución poblacional
y muestral. Se tipifican por sus funciones de densidad, y por los parámetros
estadísticos principales. De estas, para los inventarios forestales, sigue siendo
muy importante la distribución normal.

Figura 1.15 Función de distribución normal

1.9.1 Distribución normal. Punto de partida obligado para muchas situaciones

estadísticas. Propuesta por de Moivre en 1793 y por Gauss en??, tiene forma de
campana con función de densidad:

43
 
2
1 x   
 1  
2  


f  x , ,     2 e ;   X  ;     ;   0

0, si no se cumple lo anterior
Para notar que una variable X sigue la distribución normal se usa la notación

X    , 2  y más que una distribución se trata de una familia de ellas, al

cambiar  y  2 .
1.9.1.1 Características de la distribución normal.1- Es continua y simétrica
alrededor de la media con dos puntos de inflexión a una distancia  de  .
Figura 1.15.

2- Debido a lo anterior la media, la moda y la mediana coinciden en ella. Figura

1.15.
3- Si se le suma una constante a cada valor de la muestra, la distribución se

desplaza conservando la misma  2 . Figura 1.16.

4- Cambios en la  2 afectan la forma de la distribución, pero no cambian la

posición de la curva,  1   2   3 . Figura 1.15.

5- Por 3 y 4 a  se le conoce como parámetro de localización y a  2 como

parámetro de dispersión.

Figura 1.16. Funciones normales con diferentes  e igual  .

6- El área bajo la curva representa una función de distribución de probabilidades
y además el área entre  y  , vale el 68% del área, entre  y  2 , el 95% y

entre  y  3 el 99%. Esta área bajo f(X) se nota como F  x    f  x  dx .

Trabajando con otras variables, es a menudo útil obtener límites más

44
conservadores que los anteriores, por medio de la desigualdad de Tchebychev, la
cual establece que para cualquier distribución con media y varianza finitas, al

  1 
menos 1     veces del 100% de la probabilidad, estará en el rango  k
  k 
2

alrededor de la media. Entonces para la mayoría de las distribuciones al menos

el 75% del área bajo la distribución esta entre   2 , y al menos 88,9% entre
  3 , (Hahn y Shapiro, 1967

7- difícil resolver F(X), por lo cual se acude a una curva prototípica que ayude a
desentrañar los demás miembros de la familia media y varianza respectivamente.

1.9.1.2 Propiedades de la normal. 1) Si se tiene una X    ,  2

 las funciones

lineales construidas con ella, también serán normales sea:

Y = a + bX , E(Y) = a + b E(X) = a + b ,
1.70  ,
var(Y) =  2(a + bX) = 0 + b 2 2(X) = b 2 2(X)

2) Si se tiene una serie X1, X2, X3,..., Xk, de variables aleatorias independiencaduna de ellas
siendo X    , 
i
2
 , la suma de ellas tendrá distribución normal. Propiedad
reproductiva,

 k  k 
E   X i    E  X i   1  2   k 
 i 1  i 1 
 1.71
2 
k
   X i     X1     X 2      X k  
2 2 2

 i 1  

  X   N E  X   E  X  
1 2  E  X k  ; V  X1  X 2  X k   1.72
3) Si se divide una normal por una constante  0, sigue siendo normal.

Figura 17. Funciones normales con igual  y diferentes  .

45
4) Usando las propiedades anteriores, si X    ,  i
2
 y a cada X le restamos 

y ello se divide por  :

 x-   x     x-  1 2  2 =1
E = E  - = - = 0 ; 2  =   x -   = 1.73
            2
2

se llega a la famosa variable

 X -
Z =     0, 1 1.74 
  
Normal estandarizada que tiene como función de densidad:

 1 1  X  
2 2
   1  Z2
 2  
; si x  z  e = f Z  ; -  < Z <  1.75
f  X  =  2
e
2

0, de otra forma
Conocido este miembro de la familia se puede conocer cualquier otro X k. Para
ello existen las famosas tablas de Z, con sus respectivas probabilidades.
1.9.1.3 Muestra aleatoria y Suma muestral. Se había definido una muestra
aleatoria. Pero estadísticamente hablando, una muestra aleatoria simple es
aquella cuyas n observaciones X1, X2, ...Xn son independientes, la distribución de
cada Xi es la de la población P(x) con media  y varianza 2. La única excepción a
lo anterior lo constituyen las muestras pequeñas y sin reemplazo.
1.9.1.3.1 Suma muestral. Al extraer una muestra aleatoria de una población
considérese la suma muestral de variables independientes S  X1 + X2 + ... +Xn.
Esta también será una variable aleatoria, caracterizada por E(S) y 2(S), que se
espera se conserve de muestra en muestra. Es particularmente importante en la
normal.
E S   E  X  X 1 2
X n         n  1.76

Var S   Var  X  X  1 2
X n   Var  X  
1
 Var  X n   1.77 
 2
x    x  
2
 2
 x   n 2

de la cual se puede sacar que

 S   n 1.78
A partir de lo anterior es posible encontrar la esperanza de la media muestral y
su varianza, así poder saber la distribución de medias.

46
 1 1 1  1
X   X  X  ...  X  S  E X   E  S  
n n n  n
1 2 n

1  1 1  
Var  X   Var   X  X  ...  X    Var S  
2

n  ;   2
1.79
n  n n n
1 2 n
n
2 2 X

1 
Sí se observa, Var   X  X   X    Var  X  , equivale a la de una población
n
1 2 n

de medias. A la desviación estándarde medias se le conoce como error estándar
de las medias, que conduce al teorema siguiente.
1.9.1.3.2 Teorema del límite central. A medida que aumenta el tamaño de una
muestra (n) de X1, X2, ...Xn variables aleatorias independientes que tienen a

f(x) como función de probabilidades, con  2  X  finita, la distribución de la

media X se aproxima a una normal con media  y    X

n , o sea:
n

X
 X   n  1.80
 X2

 E  X   ;
i
X  i 1
 2

n
Conceptos ya manejados antes.
1.9.2 Distribución binomial. Es otra de las distribuciones obligadas a manejar
en inventarios forestales, para muestreos de variables discretas, supervivencia o
atributos. Se aplican a un espacio muestral S en que la variable considerada solo
tiene uno de dos valores, éxito o fracaso, + o -, vivo o muerto, etc. Es una
distribución de experimentos Bernoulli cuyas características son: S = {E,F}, tal
que P{E} = p; P{F} = 1 - P{E} = 1 - p = q, con 0  p  1 . Cuando X(E) = 1 entonces
X(F) = 0, la función de probabilidades de X es Binomial puntual o Bernoulli.
Tabla 1.6. Experimento Bernoulli. Probabilidades

La formación de probabilidades de un experimento Bernoulli es:

 P(X = 0) = p 0 (1 - p )(1 - 0)
  p x (1 - p )(1 - x) ... X = 0, 1

P(X = x)   P(X = x) =  1.82 

 P(X = 1) = p
1
(1 - p )
(1 - 1)

 0 en otros casos (x  0, x  1)

1.9.2.1 Media y varianza de un experimento Bernoulli: Usando las nociones

de esperanza se tiene:

47
x  E  X    xp  x   0* p  0  1* p 1  p
x 0,1

 x2  E  X  p   E  X 2    E  p    X pX  p  12 p 1  p 2  pq

2 2 2 2

x  0,1

1.9.2.1 Experimento binomial. Es el que satisface las siguientes propiedades:

1) Consta de n intentos. 2) Cada intento produce un resultado inequívoco, éxito o
fracaso. 3) La probabilidad de éxito P(E) = p, permanece constante de intento a
intento. 4) Las repeticiones no influyen los resultados posteriores,
(independencia). Por ejemplo, considérese un evento binomial en el cual se
seleccionan al azar 3 árboles de un vivero y se clasifican como sanos y enfermos
(éxito). Un muestreo anterior mostraba que el 25% de los árboles estaban
enfermos. El número de éxitos es una variable aleatoria que toma valores de 0 a
3. De acuerdo con ello, P(E) = 25% = 1/4, P(SSS) = 27/64, P(SSE) = 9/64, ...,
P(EEE) = 1/64.
1.9.2.2 Variable aleatoria binomial. Por definición, el número de éxitos en n
ensayos de un experimento binomial o Bernoulli se llama variable aleatoria
binomial. La distribución binomial se escribe como X  b  x , n , p  , o sea que se

caracteriza por el número esperado de éxitos x, el número de intentos y su

probabilidad de éxito p.
1.9.2.3 Generalización de la fórmula para b(x,n,p). Suponiendo un ensayo
binomial, en que se den x éxitos consecutivos y n-x fracasos, se podrían ordenar
así:
p.p.p.p.......x veces p.q.q.q.....(n-x) veces q
como los eventos son independientes, la probabilidad para el orden dado es

p  X  = p x 1  p  1.84
n x
= p x q n x

El número posible de eventos que tiene x éxitos y n-x fracasos está dado por la
combinatoria de n, x particiones mutuamente excluyentes.
En resumen, si un ensayo binomial puede dar por resultado un éxito con
probabilidad p, y un fracaso con probabilidad q = 1 - p la distribución de
probabilidades para una variable aleatoria X del número de éxitos en n ensayos

48
de X será:

n
b (x, n, p) =   p x q n-x ; x = 0, 1, ..., n ; 0  p  1 1.85
 x
que se conoce como la Distribución binomial. Como es la unión de cierto
número de experimentos Bernoulli, cada uno independiente de los demás, se
posible obtener su media y varianza así:

E  X  = E  X 1 + X 2 + ....+ X n  = E( X 1 ) + E( X 2 ) + ...+ E( X n ) = p + p + p ...n veces p = np

1.86 
VAR  X  =  2  X 1 + X 2 + ...+ X n  =  2  X 1   ...+  2  X n  = pq + pq + ...n veces pq = npq
1.9.2.4 Nombre de la distribución binomial. Esta función toma su nombre
por la correspondencia de los valores de b(x, n, p), para X = 0, 1, ... n con la

expansión del binomio  q  p  , (Prodan,1965):

n

n n n  n n-1  n  2 n-2  n  n-1  n n

(q + p ) =   q +   p q +   p q + ....+   p q+  p
0  1  2  n - 1  n 1.87 
n
= b (0, n, p) + b ( 1, n, p) + b (2, n, p) + ...+ b (n - 1, n, p) + b (n. n. p)= b (x, n, p) = 1
x=0

que opera como función de distribución de probabilidades acumulada. La

probabilidad de r o menos éxitos en n ensayos independientes, con probabilidad
de éxito p, está dada por
r
n
pr  x  r  = F(r, n, p) =    p x ( 1 - p )n - x 1.88
x=0  x 

Ejemplo: la probabilidad de que una planta de eucalipto quemada se recupere

con el tiempo es del 40%, si se hace un muestreo en una plantación y se
encuentran 15 plantas quemadas, cual es la probabilidad de que se recuperen a)
máximo 10 de ellas, b) entre 3 y 8 inclusive, c) exactamente 5?. Para este caso,
n = 15, p = 0.4.
10
 15   15   15 
a) P(X  10) = b(x, 15, 0.4) =   p 0 q 15 +   p q 14 + ... +   p 10 q 5 = 0.9907
x=0  0  1  10 
8 2
b) P(3  X  8) = b(x, 15, 0.4) - b(x, 15, ).4) = 0.905 - 0.0271 = 0.8779
x=0 x=0

 15  5 4
c) P(X = 5) =   0.4 5 0.6 10 = 0.1849 = b(x,15,0.4) - b(x,15,0.4)
 5 x=0 x=0

49
Se ha encontrado que cuando p = 0.5, b(X,n,p) tiende a la normal, cuando n
tiende a infinito. Para fines prácticos si npq = 15, b(X,n,p) se trabaja como
normal. Existen tablas que permiten efectuar con más facilidad los cálculos
anteriores.
1.10 Concepto de muestra.
Antes de estudiar el concepto es bueno tener una breve descripción de los tres
tipos básicos de muestreo: simple aleatorio, estratificado y cluster.
Una muestra simple aleatoria es seleccionada de una población en la cual:
1- cada individuo en la población tiene igual oportunidad de ser seleccionado
para la muestra; y,
2 cada individuo de la muestra es seleccionado independientemente, lo cual
conduce a que la muestra aleatoria simple provea una base válida para el
estimado del error de muestreo con estimados insesgados, consistentes y
suficientes, aunque frecuentemente ineficientes.
En el muestreo estratificado la población es dividida en un número de
suppoblaciones y una muestra aleatoria se toma en cada una de ellas. El
estimado de la media es insesgado y consistente, pero la eficiencia depende de la
estratificación, siendo eficiente cuando se ha logrado homogeneidad dentro de
los estratos.
El muestreo cluster se obtiene dividiendo la población en un número de grupos
distintos e identificables dentro de los cuales se toman muestras aleatorias. La
unidad de muestreo consiste de cierto número de individuos o elementos de la
población llamados cluster. Es bueno notar que en el muestreo anterior la
unidad de muestreo es el individuo o elemento de la población. Acá también se
produce una base para un buen estimador de la media y su error de muestreo,
insesgados y consistentes, pero la eficiencia depende de la varianza entre los
clusters. Estos tipos de muestreo serán desarrollados con más detalle en
capítulos posteriores, pero se requiere mantenerlos en mente pues serán
elementos básicos en nuestro estudio.
Después de lo anterior es bueno resaltar entonces que casi nunca, en inventarios
forestales, será factible conocer  y  2 y aunque lo fuera, sólo lo sería, de
pronto, de la variable más fácil de medir, como el d, por ejemplo, quedando otras

50
como la altura, que solo se miden en una fracción de la población, y aun algunas
que apenas se estiman. Siempre que la enumeración o la medición de variables
no alcance a la población total, se hablará de muestra. La muestra se concibe
entonces como una representación a pequeña escala de la población total, de
modo que permita inferencias válidas acerca de ella. Cuando la población está
muy bien mezclada y tiene características similares casi no hay restricciones ni
condiciones al proceso selectivo de la muestra, pero ello no es lo usual, excepto
en pequeñas áreas o en plantaciones uniformes. Se deben observar dos
condiciones para la toma de la muestra:
1) La selección debe ser un proceso inconsciente, independiente de prejuicios
subjetivos. La violación a este principio puede derrumbar prácticamente la
posibilidad inferencial, por la cantidad de sesgos introducidos.
2) Por lo anterior los individuos inconvenientes no deben ser substituidos por
individuos a conveniencia. Esta es una mala práctica en inventarios forestales,
por dificultades de acceso, o dificultad para la determinación de algunas
variables.
Estas dos condiciones se expresan en una ley que debiera ser inviolable: la
muestra debe ser aleatoria, para eliminar la mayor cantidad de sesgos posibles.
Una muestra libre de sesgos no significa que la media muestral iguale a la
poblacional siempre, pues aun en muestreos muy rigurosos se darán algunas
diferencias, por ello se hace aun más evidente la necesidad del azar.
La probabilidad de ocurrencia de un suceso es determinada para una muestra
en dos formas: a) Cada individuo de la población tiene una oportunidad conocida
de ser muestreado. Ello sólo es posible dividiendo la población en unidades
iguales de muestreo, tales como áreas iguales, que sirvan como unidades de
muestreo.
b) El método de selección debe ser consistente con el anterior planteamiento, o
sea que las oportunidades de selección deben ser iguales, por lo cual existen los
métodos de selección aleatoria antes mencionados. Si se cambian estos criterios,
cambian las probabilidades, o no pueden ser definidas en la misma forma que lo
hace la estadística inferencial. Si se conservan es posible entonces, el cálculo de
los errores stándar, límites de confianza, etc. Lo anterior obliga a buscar

51
claramente la población objeto de nuestro inventario: volúmenes totales,
volúmenes por especies, volúmenes por clases diamétricas, por usos, de acuerdo
con un d, crecimientos en diámetro, en volumen, calidades de la madera, estado
de un árbol, etc. También es bueno resaltar que una misma información podría
obtenerse de varias poblaciones.
1.10.1 Unidades forestales de muestreo. Una muestra es efectiva si se tienen
claras las necesidades de la información buscada y las características de las
poblaciones que se intervienen con el muestreo. Es necesario, adicionalmente,
considerar el proceso de los datos. Por ello se habla de diferentes unidades de
muestreo, comunes para inventarios forestales como:
-Unidad última, esencial o fundamental, aquella que no puede soportar una
división posterior, ejemplo, un árbol, una rama, una especie, un volumen
comercial, etc.
-Unidad de registro, muestra o parte de ella para la cual el registro de la
información se hace separadamente. Los registros por conveniencia se separan
en formularios, módulos u hojas diferentes, especialmente para evitar pérdidas
totales de información. Por ejemplo con fajas, estas se dividen para el efecto en
unidades más pequeñas, quedando como partes de la gran parcela.
-Unidad de muestreo, estadísticamente es el elemento indivisible mínimo de
muestreo ejemplo, una parcela, una faja, un árbol en cierto tipo de muestreo,
etc. Puede coincidir con algunas de las anteriores.
-Unidad de evaluación, para la cual se requiere la información, por ejemplo un
rodal, un compartimento, un tipo de bosque, un cuartel, una provincia, etc.
1.10.2 Fracción de muestreo. En poblaciones grandes el hecho de reemplazar o
no un elemento no modifica sustancialmente los resultados, pues permanecen
casi invariantes las frecuencias relativas, no ocurre lo mismo con pequeñas
muestras. Aunque las fórmulas de sus parámetros siguen vigentes, aparece el
concepto de factor de reducción f r, con base en el tamaño de muestra n y el total

 N -n  n 
N. f r =   = 1 -  = 1 - f 1.89 
 N -1   N 
con f = n/N, conocido como fracción de muestreo. En particular X es un

52
estimador insesgado de  y tiene una varianza que decrece a medida que se
incrementa el tamaño de la muestra n (Scheafler et al, 1986). Precisamente una
muestra irrestricta aleatoria seleccionada sin reemplazo de una población de
tamaño N tiene

E  X  =  ; VAR  X  =
 2x  N - n 
  1.90 
n  N -1 
La necesidad del factor de reducción se debe al efecto que sobre el error de
muestreo tiene la parte de la población no incluída en la muestra. En una
población (1-f) valdrá cero, (Schumacher y Chapman, 1954). Con base en
simulaciones y trabajos antecedentes se ha encontrado que una distribución de
debe presentar una distribución muy semejante a la normal sí n  20%N ,
especialmente cuando n  30 , (Scheaffer, Mendenhall y Ott, 1987).
1.10.3 Estadísticos muestrales. De ellos como se había anotado, se infieren las
características de la población. Las mediciones las denotaremos por ejemplo
como y1, y2,....yn. Las medidas descriptivas en muestras están dadas por
n

 y  y 
2
n i
1
y=  yi ; s 2 = i=1  n - 1
n i 1
; s = s2 1.91

ya estudiadas anteriormente.
1.10.4. Covariabilidad. Este concepto fue abordado al analizar el efecto del
tamaño de muestra en los parámetros estadísticos. También es útil cuando se
intuye la dependencia entre dos variables indicando que una de ellas crece o
decrece al hacerlo la otra en forma sistemática. Ejemplo: dos variables Y 1 y Y2
que crecen ambas (también una podría decrecer en forma sistemática al crecer la
otra y viceversa), se dicen covariables. La covarianza entre dos variables X y Y se
expresa como:

x y
 
COV  X , Y  =  XY =   x -  x  y -  y p  X,Y   s XY =   xi  X  yi  Y  / n 1.92 

o en términos de esperanza como:

COV Y1 , Y2  =  Y1 -  1 Y2  2  1.93

53
La covarianza queda mejor expresada en términos del coeficiente de correlación
simple lineal que, no depende de las unidades, como
 y1  y 2
COV Y1 , Y2   y1 y 2 -
= o, r = n 1.94 
 1 2 2 2
sY 1 sY 2
y queda acotada entre +1 y -1
1.10.5 Estimación.. Un "estimador" es entonces una función de una o varias
variables aleatorias que se pueden observar junto con alguna o algunas
constantes conocidas para estimar un parámetro, así: Y estima a  , que se

expresa Y   , Y es un estimador ya que es una función de las observaciones

de la muestra, es además una variable aleatoria. También es evidente que unas
muestras serán mas cercanas al verdadero valor de  , y que ello depende del
tipo de muestreo. Para evitar subjetividades, se acude a los intervalos de
confianza que tienen la siguiente forma

 = Y  Error 1.95
con un cierto nivel de confianza, así como una definición del grado de amplitud
del intervalo. Lo usual es elegir un intervalo de confianza del 95%, o sea un valor
estimado del intervalo que resulte correcto en 19 de cada 20 casos. Aunque la
distribución de probabilidades de Y depende de la forma de muestreo, del
tamaño de la muestra y de la población, al repasar la normal, se vio que en
muchas situaciones, la media tiende a presentar una distribución simétrica en
forma de campana, la normal, especialmente si n es grande, n  30 , (Scheafer et
al, 1987).
1.10.5.1 Concepto de error. Bajo este tema se presentan varias situaciones.
1.10.5.1.1 Error de muestreo. Es la diferencia entre el valor estimado y el
verdadero valor de la población. Se presenta en dos formas:
EY = Y -  ; E 2 = s 2 -  2 1.96
que se originan por varias causas como mediciones defectuosas, observaciones o
registros incorrectos de los datos, o en un proceso defectuoso de ellos. Pero si no
se comete ninguno de los anteriores, la causa fundamental radica en el hecho de
no muestrear si no una parte de la población, lo cual impide que los valores

54
muestrales resulten idénticos a los poblacionales. El error de muestreo no es
determinable, de acuerdo con su definición, ya que nunca serán conocidos
 y  , por lo cual habrá que estimarlos.
2

1.10.5.1.2 Error de estimación. Una vez conocida la distribución de

probabilidades del estimador así como sus características, es posible evaluar la
magnitud del error de estimación. Este puede definirse como

Error = ˆ   1.97 
Aunque no puede decirse a que distancia de  queda el estimado ˆ , se puede
aproximar un límite L tal que

 
P ˆ    L  1   1.98
para cualquier  deseado. Por ejemplo si el estimado ˆ de  tiene una
distribución normal o una t, entonces para un n grande

  
L = Z   ˆ ; L = t 1 - , n - 1 s X 1.99 
2  2 
Si 1    0.95  Z 0.025  1.96 2

1.10.5.1.3 Error estándar. Ya referenciado al mencionar el terorema del límite

central. El error estándar permite una medida de los límites de confianza de una
media muestral, o sea que estima un rango en el cual se espera encontrar la
verdadera media poblacional. Se simboliza por sY y se calcula de acuerdo a lo ya

mostrado
1.10.5.1.4 Probabilidad de discrepancia entre Y y  . Si se asume lo que ya

se conoce, que Y es un estimador insesgado de  , y s Y

2
s de  , y que las
2
Y

medias de un número cómodo de muestras siguen una distribución normal,

entonces es posible determinar las distribuciones de frecuencia de una serie de
valores por medio de la t de student.
1.10.5.2 Distribución de t. Se vio que casi nunca se podrá conocer  . Para 2

muestras de tamaño n  30 , este parámetro queda bien estimado por s . Que 2

s  , del teorema del límite central?. Se

pasa con el estadístico X   


n

55
presentan dos casos:

1- Para n  30,  X     s  , se sigue comportando como una Z.


 n
2- Para n  30 , los valores de s fluctúan apreciablemente de muestra a muestra
2

s 
y X   


n
 Z. Aparece entonces la distribución de W. S. Gosset

"student" quien suponiendo que las muestras eran tomadas de una población
normal, se comportaban parecidas a ella mediante una distribución conocida

como la t de student: t   X     s  que se forma así:


 n

X 
 n Z Z Z
= = , o ,t = 1.100 
s n 2
s 2  2
 n2
 n   n  1 n

ya que se conoce el resultado

n  1 s 2

 
2
. Su función de densidad es
 2 n 1

 n 1   n 1
   t 2  2
f t  =   1+
2
n   -<t < 1.101
n   2   n 

con sus principales características así:

1- t se comporta como una Z, ambas simétricas alrededor del cero.
2- Como la Z, tiene forma de campana, pero la t es más variable porque depende
de la fluctuación de las dos cantidades y s 2

3- La varianza de t depende de n y siempre es > 1.

4- Solo cuando n  , t Z.
Así como la Z, t tiene sus tablas de acuerdo con un nivel de confianza y unos
grados de libertad. La probabilidad que una muestra aleatoria produzca un valor
de t entre dos valores específicos, es igual al área bajo la curva de t. Figura 1.18.
 
 X 
P t   t   1   1.102

2
s 
1

 n 
Se acostumbra representar con t  al valor de t1 para el cual otro valor mayor que
el esta en un área  . Ejemplo, el valor de t con 5 grados de libertad (2.571) que

56
permite encontrar un valor mayor que el, ocupa un área = 0.025. Como es
simétrica alrededor de 0, -tα es el valor a partir del cual hacia la izquierda hay un
área = 0.025, o sea t 1 
 t , o sea que para 5 grados de libertad, el valor de t

que permite encontrar un área = 1 - 0.025 es -2.571. Esto también significa que
el valor de t de una muestra aleatoria de tamaño 4, seleccionada de una

  ,  2  caerá entre -2.571 y +2.571 con una probabilidad del 95%.

Figura 1.18. Distribuciones de t para varios grados de libertad, y áreas críticas

1.10.5.3 Intervalos de confianza. De acuerdo con la ecuación (1.98)

 
P ˆ  L    ˆ  L  1   1.103
 
el intervalo de confianza para  será entonces, ˆ  L , ˆ  L , con coeficiente de

confiabilidad 1    .

1.10.6 Análisis de varianza. Como se había visto en la sección 1.7, las

unidades muestrales pueden ser seleccionadas de los estratos separadamente.
De acuerdo con ello la media (1) de una muestra estratificada se obtiene de
estadas dos maneras, como
M nj

M  y ij

1 Y =  p jY j ;  2  Y  j 1 i 1
1.104 
j 1 n

en que Y = media muestral de la población, Y media muestral del estrato j, p

j j

proporción del estrato j con respecto a la población total y M número de estratos.

Si todos los estratos se muestrean con igual fracción de muestreo, se acude a (2).

57
De acuerdo además con las fórmulas (1.41) a (1.44) y especialmente esta última,
fue posible ver que la variación total se dividía en dos componentes que
conducen a una variación “entre” y otra “dentro”. Una partición similar de los
estimados correspondientes a una muestra es posible siempre y cuando se
tengan fracciones iguales de muestreo en todos los estratos y las varianzas no
presenten diferencias significativas. De acuerdo con lo anterior es posible acudir
al teorema de Cochran, (Lema, 1995), al separar en idéntica forma los
correspondientes grados de libertad. En resumen el Análisis de varianza consiste
en una partición de una suma de cuadrados totales y sus grados de libertad en
sumas parciales así:
SSTO  SS dentro
 SS entre

  y  Y     y  Y    n Y  Y 
nj nj

1.104
M 2 M 2 M 2

ij ij j j j
j i j i j 1

n  1  n  M    M  1
La partición de los grados de libertad, corresponde con su definición como el
menor número de sumandos posibles para obtener el estadístico o el parámetro
respectivo, o también con el número de individuos menos el número de ellos que
se hayan utilizado para pasar por puntos obligados, así: los M medias de los M
bloques tienen hasta M grados de libertad y consecuentemente dejan disponibles
(n-M) para los grados de libertad dentro de los bloques. Los bloques representan
M individuos y un grado de libertad es necesario para la media entre bloques,
por lo cual (M-1) es necesario para la SS entre bloques. También es posible
expresarlos en términos de los números de individuos por bloque:
GL totales
 GL dentro
 GL entre

 n  1
M

j 1
j  n  1  M  1
M

j 1
j

Si se quiebran las asunciones del ANAVA, los errores estándardeben calcularse

por medio de la fórmula de propagación de los errores:
M
sY2estr =  p 2j sY2j 1.105
j 1

La formulación matemática de estos principios da la clave para la eficiente

solución de muchos problemas en inventarios y es ilustrada en las Figuras 1.19

58
y 1.20. La Figura 1.19 muestra 3 estratos en un bosque de coníferas y sus
comportamientos respecto del volumen promedio, zona A. Los volúmenes del
primer estrato superan todos la media, los del segundo se sitúan por debajo y los
del tercero oscilan alrededor de ella. En B se muestra un bosque tropical en el
cual es más difícil de apreciar el concepto. Al estratificar se obtienen las
respectivas medias por estrato, con el resultado obvio de desviaciones mucho
menores en patrones irregulares y con menores sumas de cuadrados dentro de
los estratos. Figura 1.20. Cuando se desarrolló la fórmula del error estándar, 1)
cada individuo quedaba constituido por dos componentes aditivos,  y el error,
2) si ocurren diferencias sistemáticas tales como las del caso A de la Figura 1.16,
aparece un tercer componente debido al estrato o bloque:

1 Yi =    i ; 2  Yij =    j   ij 1.106
 j = Variable componente por bloque,  ij = Variable componente por unidad en
cada bloque. De acuerdo con 2) de (1.106), es posible reescribir la media por
estrato como
nj nj nj nj

y ij (  +  j +  ij )
nj  nj  j  ij   ij

Y j=
i=1
= i=1
= + + i=1
    j  i 1 1.107 
nj nj nj nj nj nj

Figura 15. Representación gráfica de un ANAVA

59
Figura 16. Desviaciones de la media en cada estrato luego de la estratificación

Las desviaciones: yij  Y j  se obtienen entonces como:

 nj
 nj

   ij    ij
 ij j 
y  Y     j   ij  

   j  i 1

nj
    i 1
 ij
nj
1.108 
 
 

de la cual desaparecen los componentes  y  j , viéndose que en la fórmula final

solo quedan componentes  por lo cual la varianza se deberá sólo a ellos. Sí los
bloques son de igual tamaño e igual número de unidades muestrales por bloque
entonces la media aritmética de la población total será:

 nj

M    ij 
M  
j 1 
   j  i 1
nj

 M M nj M M nj

 y j    j   ij  j   ij
   M   j 1 
Y 
j 1

j 1 i 1

j 1

j 1 i 1
1.109 C
M M M M Mn j M Mn j

Con estas fórmulas es posible rescribir algunos elementos de (1.44) como

y ij Y  :

 M M nj
  M
  M nj 
  j   ij    j     ij
 
yij  Y       j   ij      M 
 j 1 j 1 i 1

Mn j
     j 1      j 1 i 1
  j M  
ij
Mn j

 1.110 
     
     

60
   
nj
 nj M M

   ij
   j   ij 
Y j  Y       j  n
 i 1      j 1 
  M
j 1 i 1

Mn j


j
   
   
 M
  nj M nj 
   j     ij   ij 
  j  j 1    i 1  j 1 i 1  1.111
 M   nj Mn j 
   
   
De las ecuaciones anteriores es posible lograr los valores esperados de  y  .
Omitiendo algunos detalles, se llega a un estimado de la varianza dentro de los
bloques en términos de  , así:
nj

  y 
M 2
i j - Yj
2
s dentro de los bloques =
j 1 i 1
  2dentro de los bloques =  2 i  s 2dentro = s 2 1.112 
Mn j
El estimado de la varianza entre bloques, incluye los estimados de las varianzas
de ambos componentes, esto es

n y -Y 
M 2
j j
2
s entre bloques =
j=1
  2entre bloques =  2 + N j  2  s 2entre bloques = s 2 + n j s 2 1.113
M 1
que consiste de las varianzas de  y un estimado de la varianza para el

componente bloque ponderado por n . Por último la varianza total s se puede j

2

obtener como:
nj

  y Y 
M
2
ij

s2  j 1 i 1
  2   2   2  s 2  s2  s2 1.114 
Mn j  1
Lo surgido es un poco complejo estadísticamente hablando, la varianza entre
bloques ya no podrá ser analizada, pues se trabaja con parámetros y no con
estimados, lo que no permite discutir la distribución de los grados de libertad,
por lo cual se deberá dividir la suma total de cuadrados por N. Similarmente,
para la varianza entre bloques se divide la suma de cuadrados de desviaciones
entre bloques por M, y también la varianza dentro, por (N-M). Se puede hablar
hasta de una nueva nomenclatura:

61
 Nj

  y  j 
M
2
ij

 int2  j 1 i 1
  2 1.115
N M
llamada varianza interna, por acudir a las medias por bloque y toda la muestra
de datos. Es entonces posible calcular

 N   
M
2
j j

 entre
2
 j 1
  2  N j 2 1.116 
M
obsérvese que Nj es constante en todo el proceso. Por último,
Nj

  y  
M
2
ij

2  j 1 i 1
  2   2 1.117 
N
en que   puede también ser extraída tanto de  , como de 
2 2 2
entre
, así:

 entre
2
  int
2
1  2   2   int
2
; 2   2  1.118
Nj

Estas relaciones muestran claramente la separación de  , en dos componentes: 2

 y  , o sea la varianza total en sus componentes interna y de bloques, lo que

2
 
2

constituye el análisis de varianza. La formación de bloques divide la población en

unidades equivalentes a diferentes niveles. Aquellos serán llamados por tanto
unidades primarias. Los y individuos (parcelas) dentro de los bloques serán las
ij

unidades secundarias. Es posible entonces seleccionar aleatoriamente n j

unidades muestrales de cada uno de los M bloques. También es posible

modificando el diseño, seleccionar m de los M bloques y n j
unidades

secundarias en cada uno de ellos, apareciendo el muestreo conocido como

muestreo bietápico. Para ambos muestreos es posible obtener el error estándar
cuadrático como:
s 2
s 2

s 
2
  1.119
Y
m mn j

En el segundo caso es importante el factor de reducción, para poblaciones

finitas, el cual debe ser aplicado a ambos términos de la fórmula, con lo cual se

62
llega a

 m s  n s
2 2

s  1     1   
2
1.120 
Y
 M m  N  mn j

en que mnj = n y MNj = N. En un muestreo al azar restringido las unidades

secundarias se extraen de todos los bloques en cuyo caso el factor (1 - m/M) se
vuelve = 0 con lo cual:

 n  s  n s
2 2

s  1 
2
  1  
int
1.121
Y
 N  mn  j
N  n
El análisis de varianza se constituirá además importante para estimar el error
estándarde los muestreos sistemáticos que se estudiarán posteriormente.
1.11 Clasificación de los diseños de muestreo.
Cualquier inventario forestal es básicamente uno de los siguientes 4 sistemas de
selección de las muestras:
a) Proceso simple aleatorio de escogencia de las unidades muestrales.
b) Proceso aleatorio restringido de escogencia de las unidades muestrales.
c) Proceso de escogencia en racimos (clusters) de las unidades muestrales.
d) Proceso de escogencia sistemática de las unidades muestrales.
Estos 4 procesos difieren principalmente en dos aspectos:
1) La selección de las unidades bien puede ser aleatoria o sistemática;
2) Las unidades seleccionadas son todas equivalentes (selección monoetápica) o
las unidades difieren y la escogencia de primarias, secundarias, etc se hace por
separado en cada etapa de selección (muestreos polietápicos).
Con respecto a 1, la selección de las unidades en a) y b) es regida por el azar y
cada unidad tendrá igual oportunidad de ser seleccionada. Sucede igual cosa en
c) si los clusters son aleatorios y vistos como unidades de muestreo, o si los
procesos de selección primaria tanto como la secundaria son aleatorios. Lo
anterior conduce a errores de muestreo estimados insesgados y suficientes. En
procesos sistemáticos ya no se cumple lo anterior.
Con respecto a 2, en procesos como el b), la población puede ser dividida en
estratos o en bloques de igual rango. Cada unidad primaria consta de N j
unidades de las cuales se seleccionarán n j. Si se tienen M bloques, cada uno
representa una unidad primaria de rango igual y cada uno de ellos es dividido en

63
Nj unidades secundarias de rango igual, pero estas son seleccionadas
separadamente para cada bloque o unidad primaria. En c) que es una forma de
muestreo bietápico o de submuestreo, la selección se hace independiente en
todas las etapas, por ejemplo en la primera etapa se seleccionan m de M, en una
segunda etapa nj de Nj. Un bietápico se usa a menudo cuando es necesario
estimar la altura de los árboles, que se hace en parcelas más pequeñas, o
muestreos por rangos de utilización, o tambien cuando se muestrean grandes
áreas.
Los métodos de selección no debieran ser afectados por la forma de las parcelas,
de tal modo que fajas iguales, conglomerados (parcelas en líneas) pueden
seleccionarse al azar o sistemáticamente, etc. La escogencia de uno de los 4
procesos de muestreo depende más de la estructura, del tamaño o de algunas
circunstancias de la población, como dificultades de acceso, personal disponible,
costos, tiempo, a veces, que de otras consideraciones. La selección de acuerdo
con alguno de los 4 procesos siempre producirá una muestra independiente del
número de etapas o patrones de selección. Sin embargo, a veces, la información
proviene no solo de una si no de varias muestras y aun tomadas en diferentes
épocas. Las muestras individuales podrán ser entonces independientes o
dependientes, el criterio crucial es que cada muestra individual supla parte de la
información requerida, como el volumen para ciertas dimensiones y especies
dentro de una determinada área. Es notorio además que algunas veces una
muestra proporciona las bases para la siguiente, en este caso cada muestra
representa una fase de la colección de la información buscada, hablándose de
muestreos multifásicos, a los cuales es posible aplicarles a), b), c) o d). La
independencia o dependencia de las muestras es necesario dilucidarla en cada
caso.
Por ejemplo un muestreo trifásico con fases dependientes se podría presentar
así: la primera fase, puede ser un fotomuestreo de puntos, con el fin de separar
el área forestal del área total, cada punto identificado como bosque o no bosque.
Figura 1.21. Cada punto se estableció como área forestal o no, luego se
delimitaron sus contornos. En la segunda fase, Figura 1.22, se seleccionó una
fracción de los fotopuntos con bosque, los cuales fueron transformados en

64
fotoparcelas de tamaño fijo. En estos se tomó la densidad de copas y la altura
promedia. En la tercera fase, fue seleccionada una relativamente pequeña
fracción de las fotoparcelas para medirla en el campo. La correlación entre las
fotomediciones y las mediciones de campo en las parcelas combinadas fue
investigada por análisis de regresión. La multiplicación del volumen
promedio/unidad de área por el área con bosque de la primera fase dio el
"volumen total".

Como un segundo ejemplo se tiene un muestreo bifásico con unidades

independientes. Primera fase: la fotografía aérea se usa exclusivamente para
encontrar el área de los estratos, por medio de transectos en las fotografías.
Segunda fase. El volumen/estrato fue independientemente muestreado en
unidades de campo. Esta fase hubiera bastado, pero la primera fase se utilizó
para incrementar la precisión de la muestra.

Figura 1.21. Primera fase. Separación en fotos de área con bosque y sin bosque

65
Figura 1.22. Segunda fase, selección de parcelas y toma de densidades y
alturas promedias
Deben distinguirse claramente los conceptos anteriores. Una cosa es la división
de la población en unidades de ordenes diferentes (diseños mono o
multietápicos), lo cual es el resultado de los sistemas de selección de la muestra,
y otra la división introducida a través de las diferentes fases en un diseño
multifásico. En este último caso, cada fase representa una muestra separada y
consecuentemente con ello pude aplicarse cualquiera de los cuatro sistemas de
selección de la muestra en cada una de ellas, (Loetsch, et al, 1964).
1.12 Errores estándarde estimaciones combinadas.
Cuando se hacen estimaciones de variables sometidas a diversas operaciones,
como estadísticos por ejemplo de la suma o diferencia de muestras, etc, además
sabiendo que provienen de muestras independientes o dependientes, es
necesario conocer sus respectivos estadísticos sin duda. Por ello se presenta a
continuación los casos maás frecuentes.
1.12.1 Error estándarde sumas y diferencias.
1.12.1.1 Unidades muestrales mutuamente independientes. Sean dos
muestras de una población, con n1 y n 2 unidades muestrales, con medias Y y 1

Y sus desviaciones s
2 1
y s , en que se pueden mirar ambas muestras como
2

partes de una muestra mayor de tamaño n  n  n , entonces:

1 2

66
   y  Y 
2 nj 2

nY n Y
1.122
ij 1,2

Y  ; s  j 1 i 1

 
1 1 2 2 2

n n
1,2 1,2 2
1 2
n 1
j 1
j

con y = valor de la unidad muestral i en la muestra j, y con n-1 Grados de

ij

libertad. Una alternativa al cálculo de s 1,2

2
de la fórmula anterior es como la suma

de cuadrados de dos muestras, en cuyo caso

 y  Y    y  Y    y  Y 
n1 n2 2 nj 2
2 2

nY n Y
1.123
i1 1 i2 2 ij j

Y  ; 1 1 2 2
s  2 i 1 i 1
 j 1 i 1

n n n  1  n  1  n  1
1,2 1,2 n1

1 2 1 2
j
i 1

con n-2 grados de libertad. Dado que:

 y  Y   n  1 s
nj

1.124
2
2
ij j j j
i 1

es posible reescribir (1.123) como:

 n  1 s
2

n  1 s  n  1 s
2
2 2
j j

s 2
 1 1 2 2
 j 1
1.125 
n  1  n  1  n  1
1,2 2

1 2
j
j 1

El error estándarcuadrático se puede escribir entonces como

s  n n s  n s
2 2 2

s 2
 ;
1,2
s 2
 1    1 
1 2 1,2

1,2
1.126
Y1,2
n Y1,2
 N  n  N  n
Con estas fórmulas se obtiene también el error estándarde la diferencia de
medias.

1.12.1.2 Unidades muestrales mutuamente dependientes. Suma. Cuando los

individuos no son independientes, como el caso analizado en 1.8.2 en que la
varianza dependía de los tamaños de las unidades muestrales, se deben asumir
diferentes relaciones de parentezco. Ello sucede a menudo en inventarios
forestales, por ejemplo cuando la estimación inicial se hizo para especies
aisladas y luego se quiere conocer para un grupo de ellas, o cuando las áreas de
unos estratos se combinan en uno solo de ellos, al no haber diferencias reales en
los primeros, etc. Se trata entonces de combinar las estimaciones de dos
poblaciones X {xi}, y Y {yi}, y el valor compuesto expresado por Z i :

67
 n n n n

 zi   xi  yi   xi y i
zi  xi  yi  Z  i 1
 i 1
 i 1
 i 1
=xy 1.127 
n n n n
de acuerdo con estas, el estimado de la varianza se obtiene como

  x  y    X  Y 
n n

 z  Z 
2 2
i i i
sZ2  s2X Y  xi  i 1
 i 1

n 1 n 1
n n n

  xi  X     yi  Y   2  xi  X  yi  Y 
2 2

i 1 i 1 i 1
1.128
n 1
Si se hace una estratificación por bloques , se obtendrá
nj

  x  X j     yij  Y j   2  xij  X j  yij  Y j 

M M n M n
2 2
ij

s 2
s
2
 X Y int  j 1 i 1 j 1 i 1 j 1 i 1
1.129 
nM
Zint

El error estándarcuadrático de la suma de dos variables dependientes se obtiene

entonces como

s 2  sY2  2sXY  x i  X  yi  Y 
s  X
2
Z
; sXY  i 1
;
n n
M nj

  x ij  X j  yij  Y j 
sXYint 
j 1 i 1
1.130 
M n j  1

1.12.1.3 Unidades muestrales mutuamente dependientes. Diferencia. La

media de diferencia de medias, asi como su varianza se obtiene como en el caso
anterior. Se trata entonces de combinar las estimaciones de dos poblaciones X
{xi}, y Y {yi}, y el valor compuesto expresado por d i:

n n n n

 di   yi  xi   yi  xi
di  yi  xi  d  i 1
 i 1
 i 1
 i 1
Y  X 1.131
n n n n
de acuerdo con estas, el estimado de la varianza se obtiene como

68
 d d     y  x   Y  X  
n 2 n 2
i i i
sd2  s2Y  X   i 1
 i 1

n 1 n 1
n n n
1.132 
 x  X    y Y   2  xi  X  yi  Y 
2 2
i i
i 1 i 1 i 1

n 1
y el error estándarcuadrático de la diferencia de dos variables dependientes se
obtiene entonces como
n

sx2  s y2  2sxy   x  X  y  Y 
i i
s 
2
d
; con sxy  i 1
1.133
n n
1.12.2 Error estándarde sumas y diferencias de medias en diferentes fases
de muestreo.
Cuando se desea estimar el error estándarde sumas o diferencias de medias en
diferentes fases de muestreo, el problema es bastante diferente, por ejemplo
cuando el área de bosque natural se ha estimado en fotografías aéreas y la de
plantaciones por trabajo de campo, y la información requerida es el área total.
En este caso se acude a la ley de propagación de los errores, ya mencionada en
la ecuación (1.105), desarrollada de acuerdo con el teorema de Taylor. Síi se

tienen dos medias Y y X , cada una con cierto error de muestreo y se desea

adicionarlas en la suma Z  X  Y , con sus respectivos errores stándar,

entonces un estimado aproximado del error estándarde Z será:

s X2 sY2
sZ  Z  1.134 
X2 Y2
cuyos cálculos se simplifican si se usan los errores estándarporcentuales así:
sZ
 sX %    sY %  1.135
2 2
sZ %  100%
Z
El método de propagación de los errores se aplica similarmente a la diferencia de
medias mutuamente independientes.
1.12.3 Error estándarde productos y cocientes.
1.12.3.1 Error estándarde productos en unidades dependientes. De nuevo
habrá que hacer la distinción entre dependencia e independencia de las

69
unidades muestrales. Por ejemplo si se seleccionan n árboles al azar y a cada
uno de ellos se le mide la altura y el área basal (G) por su factor mórfico f g , se

tienen dos poblaciones de variables: área basal mórfica (x) y alturas (y), pero las
unidades seleccionadas son idénticas. El producto conduce al volumen, ese sí
para cada unidad
n n

 zi x y i i
zi  xi yi  Z  i 1
 i 1
 Z  XY 1.136 
n n
La varianza de las z será entonces dada por:
2
 n 
   xi yi  
 xi yi    i 1 
n n n

 z  Z   x y  Z  
2 2 2
i i i
n
sZ2  i 1
 i 1
 i 1 1.137 
n 1 n 1 n 1

Sí existe alguna correlación lineal entre X y Y se puede estimar Z y sz con la

ayuda del coeficiente de correlación  así:

Z  XY   sx s y ; y sZ2  X 2 s y2  Y 2 sx2  2 XYsx s y 1.138

1.12.3.2 Error estándarde productos en unidades independientes. Sí X y Y
son las medias de muestras mutuamente independientes, se puede calcular un
estimado del error estándarde su producto con la ley de propagación de los
errores:

 sX %   sY % 1.139
2 2
Z  XY ; y s XY  X 2 sY2  Y 2 s X2 ; y s XY 

1.12.4 Error estándarde cocientes. Para los cálculos de los errores estándarde
cocientes de estimaciones combinadas surgen tres casos, de acuerdo con la
dependencia e independencia de las muestras y un tercer caso que sera
abordado en un capítulo posterior, conocido como estimador de la razón.

1.12.4.1 Error estándarde cocientes en unidades dependientes. Sean xi , yi

diferentes variables obtenidas de una misma unidad muestral i. El cociente

yi
zi  i permite los siguientes cálculos del error estándar:
xi

70
 n n
yi
yi  zi x
zi  Z  i 1
 i 1 i
1.140  .
xi n n

La varianza de las z será entonces dada por

2
 n  yi  
2 2   
n
 yi  n
 yi   i 1  xi  
 
n

 z  Z   Z   
2
i
i 1  xi  i 1  xi  n
sZ2  i 1
  1.141 .
n 1 n 1 n 1
Por medio de coeficientes de correlación ya se tiene apenas una aproximación un
poco burda de este estimado, por lo cual se omite su presentación. Los
anteriores elementos constituyen la base primaria para abordar el tema de los
inventarios forestales, con cierta solvencia, especialmente los diferentes métodos
de muestreo.

Anexo: Distribución de Poisson.Además de valorar eventos raros, es muy útil en

silvicultura para la caracterización de patrones de asociación de las especies,
como aleatorios, uniformes o sistemáticos. Es una distribución binomial en la
cual el valor de p es supremamente bajo y en la que aunque n crezca, el valor np
se mantiene constante. Generalmente se estudia como el límite de una Binomial
cuando p  0 y n  . Nace de considerar la expresión b (x+1, n, p). Al
expresarla se tiene, manipulando combinatorias que sí:
p n  x  np px
f (x  1)    f (x )  f  x  1   f x    f (x )
q  x  1 q  x  1 q  x  1
Cuando p  0, q  1 y el valor np se le llamará   Ver ecuación (1.142).
0
Usando A se puede recalcular f 0  f 0  1  f 0 , de donde sale
0!
x

 f  x   f 0  f 1 f  x 
x 0
 La sumatoria de

x
 2 3 x 
f  x    f  x   f 0  1        1
x 0  2 ! 3! x !
El término entre paréntesis es un famoso límite = e
x
1 x  

x 0
f  x   f 0e  1 f 0    e  f  x  

e


x!
e

esta es una función de probabilidad que se puede expresar como P(x, )

Media y varianza de una distribución de Poisson. Tiene la media igual a la
71
 E  x    xf  x     x  
varianza
E x      x    f x      2
2 2

 
Si x  0  f 1  1  f 0 

Si x  1  f 2     f 1
 2

  2
 
  f 2     f 0    f 0 
f  x  1   f x   0   2 1 2 1 1.142
x  1    3
Si x  2  f 3   f 2    f 0 
 3 3  2 1


Si x    f     f 0



A
!

Cambios en la distribución poisson al aumentar . Al aumentar  de 1 en

adelante la distribución tiende a la normal.

Características: Se resaltan las siguientes: 1) Es aplicable a poblaciones o

muestras en que se dan sucesos con baja probabilidad, o sea para modelar
eventos raros. 2) Es discreta. 3) Los eventos son independientes, una vez dado
un suceso no altera la probabilidad del siguiente. 4) Los individuos que cumplen
lo anterior se consideran distribuidos al azar. 5) Se puede generalizar que si np =
10 o  = 10 se comporta como N. 6) Su distribución de probabilidades se puede
r
x
tabular, similar a lo mostrado para la binomial P x  r    x! e  .
x 0


EJEMPLO. En un proceso infeccioso de árboles se encuentro que 1 de cada 800

de ellos muestra la enfermedad. Cuál será la probabilidad de que en una
plantación de 5000 árboles  6 de ellos resulten infectados?. Este problema
puede resolverlo como una binomial, pero resuelto por Poisson dará np= 6.65
con lo cual en la tabla Probabilidad  56.64%.

72
 2. MUESTREO SIMPLE AL AZAR

En este tipo de muestreo se asume que la distribución de todas las posibles

estimaciones Yi correspondientes a todas las muestras de un mismo tamaño n

tomadas a la población, siguen una distribución normal especialmente cuando

n  30 , cualquiera sea la distribución del parámetro en la población muestreada,
(FAO, 1974). Su criterio más importante es que cada muestra posible tiene igual
oportunidad de ser seleccionada, en procesos sin reemplazo y con extracción
independiente de las unidades. (Steell; Torrie, 1985).
Es el diseño mas común, sirve de referente para comparaciones con el resto de
diseños en inventarios, recoge los elementos reales de la estadística y los aplica a
la mejor estimación de los parámetros. Su nombre lo describe completamente,
pues se trata de un muestreo aleatorio.
2.1 Elementos.

Para efectuarlo es preciso conocer algunos elementos, que se expondrán en más detalle
cuando se hable de la planificación:

2.1.1 Error de muestreo (E). Asignado por quien solicita el inventario. Son
usuales valores  15% . Depende además del valor económico del bosque.
Generalmente se da en porcentaje, o un valor en términos de este. Está
íntimamente ligado a la intensidad de muestreo pues se afectan mutuamente.
2.1.2 Intensidad de muestreo. Corresponde a la proporción del área
efectivamente muestreada y se obtiene como

n a
I %   100%   100%  2.1
N  A
n = tamaño de muestra, N muestra total potencial, a, A áreas muestreada y total.
2.1.3 Nivel de probabilidades admitido. Generalmente se trabaja con el error
tipo I;   0,05 o nivel de probabilidades del 95%, para establecer los límites de
confianza y las pruebas estadísticas pertinentes.

73
2.1.4 Area de inventario. Para referenciar estimados totales, tamaño de
muestra y costos, sirve de base a la estimación de la intensidad de muestreo. Es
un parámetro obligado, y el gran complemento de la planificación de futuros
aprovechamientos.
2.1.5 Población referente. Espacio poblacional referente caracterizable a través
del muestreo, generalmente se trata de volumen total/ha, comercial/ha,
volúmenes por rangos de uso, áreas basales, números de árboles y muchos
otros. Aunque se contemplen otras informaciones susceptibles de muestrar, la
referente principal es la base para los cálculos del error, costos y límites de
confianza.
2.1.6 Información básica preliminar. Todos los aspectos dasométricos
necesarios para la cuantificación de los elementos pedidos, como ecuaciones de
volumen, conicidad, crecimiento, tablas de producción, factores de conversión,
relaciones dasométricas, o la forma de obtenerlas, así como toda la información
sobre el bosque, estado catastral, mapas, fotografías, accesos, localidades, clima,
posible mano de obra, comunicaciones, alojamientos e infraestructura cercana.
2.1.7 Forma y tamaño de la parcela. Decisión previa tomada de acuerdo con
criterios experimentales o tradicionales, por ejemplo son comunes en
plantaciones forestales parcelas circulares de 1/20 ha, 1/40 ha, dependiendo de
la densidad de la plantación y de la variabilidad interna de las muestras. En
inventarios de bosques tropicales se usan fajas, conglomerados de líneas sobre
parcelas, bloques, etc. En Colombia en una investigación con P. patula, se
encontró que las parcelas circulares de 1/40 ha dieron el tamaño más eficiente
con respecto a otras formas y tamaños, (Vélez, 1987), este tamaño suficiente
para la mayoría de coníferas plantadas en nuestro país. La investigación al
respecto es casi nula, se atiende más a una tradición, pero existen múltiples
criterios que podrían estimular esa búsqueda.
2.1.8 Instrumentos de medición. Usualmente se requieren brújulas de pié y de
mano, hipsómetros Blume-Leiss, Haga, Suunto, Relascopio, esteroscopios de
bolsillo, transportadores, reglas. En bosques tropicales no son despreciables
aparatos sencillos como el Christen, luego de someterse a regresión
personalizada. (Lema, 1995). Para leer diámetros: cintas diamétricas, métricas, o

74
forcípulas, y dependiendo de la precisión deseada y la calidad de la información
se puede acudir a prismas, pentaprisma de Wheeler, y aun a la varilla de
Biltmore, sometida al mismo proceso recomendado para el Christen. Un estudio
reciente para evaluar la calidad de estos instrumentos revela que en su orden
son mejores la cinta métrica, la diamétrica y la forcípula, (Lema, 1996).

2.1.9 Formularios de campo. Aspecto que requiere mas cuidado del que
usualmente recibe. Deben proporcionar toda la información posible y precisa del
proceso como lugar objeto del inventario, localidad, coordenadas, fecha,
responsables, equipos de medición, tiempo inicial y final de toma de la
información y las columnas características de acuerdo con las variables a tomar
en campo, d, altura, posición sociológica u otras observaciones de acuerdo con
las necesidades de quien solicita la información como: deformaciones, aspectos
sanitarios, estado del árbol y aun detalles del lugar. Se prueban en campo antes
de adoptarlos como definitivos, en el proceso de premuestreo.

2.2 Premuestreo.

Es recomendable la ejecución de un muestreo piloto, antes de abordar un

inventario con el fin de obtener información, así sea rudimentaria, de la
variabilidad muestral. Permite además probar la logística implementada, lo
adecuado de los formularios de campo, los equipos y la planta de personal. No
existen normas precisas para abordarlo, lo más recomendable es hacerlo a partir
de una pequeña muestra, dependiendo del área, a veces con 5 a 6 parcelas,
repartidas al azar, las cuales pueden hacer parte de la muestra total, o al azar
restringido, en casos de intuir zonas de diversa variabilidad. Su objetivo
fundamental es buscar indicios de la variabilidad como el coeficiente de
variación para el cálculo del tamaño de la muestra. En casos de la imposibilidad
de llevarlo a cabo es posible basarse en inventarios anteriores o de zonas
parecidas
2.2.1 Error de muestreo. Se había definido como la diferencia entre el valor
estimado de una variable (estadístico) y su verdadero valor real, o de población
(parámetro), según la ecuación (1.96). Como no es posible conocer  , se acudió
a un proceso estadístico para su cálculo así:

75
 n

y i
Y= i 1
; EY = Y -  = t sY  2.2
n
en que: sY Error standard, calculable como:

s2 s2  n 
sY2 = 1  f   sY = 1 -   2.3
n n  N 

s2 Varianza muestral, t, t de student, n tamaño de la muestra; número de

parcelas muestreadas o por muestrear, N tamaño de la población total; número
de muestras totales y n/N = fracción de muestreo, o porcentaje de muestras con
respecto a la población total. En coníferas, generalmente con menos del 2% es
satisfactorio, excepto en condiciones de alta variabilidad. s es un estimado de 
y por lo tanto tiene su respectivo error standard estimado aproximadamente por:
s
s2 ss =  2.4 
2n
2.2.2 Tamaño de la muestra. Sale de las ecuaciones (2.2 y 2.3) al despejar n,
así:

t 2  CV 
2
t 2s2
1 n = ; 2 n =  2.5
t 2 s2 t 2  CV 
2
E   
2

2
E %
N N
1) Se usa cuando el error se da en las mismas unidades de la media por ejemplo
en m3 , forma poco común, pues la mayoría de las veces se prefiere en
porcentaje, la 2), acudiendo al coeficiente de variación CV, en porcentaje, ej.
15%.
Las fórmulas anteriores por la presencia de la t de student, dependen en un
círculo vicioso del tamaño que pretende calcular. Se acude entonces a una forma
práctica y a dos de las más clásicas reportadas por la literatura especializada en
inventarios forestales para resolver el problema del tamaño muestra, que
llamaremos: Método práctico (Loetsch y Haller, 1964), Método convencional,
reportado por (Scheaffer et al, 1987), o la alternativa a esta, el Método iterativo
de Freese (1970).
2.2.2.1 Método práctico. Un estimado máximo confiable de la desviación

76
standard de la población, propuesto por (Loetsch et al, 1964), puede obtenerse
con base en la ecuación (2.4). Se toma un valor arbitrario de t = 2, y se suma la
cantidad 2s al s del premuestreo, para obtener smc . Este será entonces el

número de base para el calculo del tamaño de la muestra, aplicando 1) de (2.5).

Generalmente da estimados de n más altos que los dos métodos siguientes, por
lo cual sería recomendable a discreción, en casos de una altísima heterogeneidad
apreciada. Ejemplo, se hizo un premuestreo para la población #1, presentado en
la Tabla 2.1. De acuerdo con ello se obtuvieron los siguientes datos: smc  113.2

Error = media*.15 = 19.3 m3 . Usando t = 2, se obtuvo un valor para n = 134. Se

puede combinar con el método de Freese, un promedio entre los dos, que se
expondrá más adelante.
2.2.2.2 Método convencional. El número de observaciones necesarias para
estimar una media poblacional  con un límite para el error de estimación de
magnitud E, lo encuentran muchos autores al establecer dos desviaciones
estándar alrededor de la media, como sucede en una población normal con un
  0.05 , y se resuelve esta expresión para n. Al hacerlo se tiene:
N 2
2 V Y  = E  n =  2.6 
 E2 
 N  1     2
 4 
Ejemplo, al aplicarla al muestreo simple al azar, con base en el premuestreo
dado por la Tabla A, el error permitido de muestreo será igual a 128.2 x .15 =

19.23 m 3 , con lo que se tendría un tamaño de muestra:

4000 x 86.00407 2
n= = 78.46  78
3999 x 99.448 + 86.00407 2
casi la mitad del método práctico.
2.2.2 Método iterativo de Freese para el cálculo de n. Se calcula un primer
valor de n, llamémosle n1 , acudiendo a (2.5), con base en la t de student con los

grados de libertad del premuestreo, luego un segundo valor para n, n2 , con la t

con n1 grados de libertad, y se sigue este proceso hasta que el valor de n se

estabilice, llamémoslo nf . Usualmente con 3 iteraciones se logra la

77
estabilización. Los valores obtenidos fueron: n1 =148.42, n2 =75.4 y n f =77. Con

base en este último se espera llegar al error deseado.

Tabla 2.1. Datos premuestreo población #1.

DATOS Media del Desviacion Coeficiente

Muestra 1 2 3 4 5 premuestreo estándar de variacion
Volumen 176,00 155,00 221,00 89,00 0,00 128,20 86,00 67,09

2.2.2.4 Método de Cochran. (Cochran, 1977) propone un muestreo en dos

etapas, una primera muestra, o premuestreo de n1 individuos o parcelas, para
una primera estimación de la desviación estándar s y una segunda etapa para
encontrar el tamaño definitivo como:
2
t s   2
n   1 1    2.7 
 E   n1 
en que: n =tamaño final deseado para la estimación de la proporción,
n1  tamaño premuestral (primera muestra),
s1  desviación estándar premuestral (primera muestra)
t  t de student con n-1 grados de libertad y confianza de 1   
E = error aceptado en valores de la media
Por ejemplo con los datos del premuestreo de la Tala 2.1
2
 2  86   2
n   1    112.021
 19.23   5
Como se ve es una propuesta bastante exigente en tamaño. Sin embargo existe
una corrección de Eberhardt para población finita de tamaño N:
n
n   2.8 
1n
N
para el ejemplo, suponga que solo son posibles 400 parcelas, sería:
112
n   87.5 , entonces con esta muestra aseguraría la
1  112
400
representatividad esperada.
Con coeficiente de variación en valor absoluto, el mismo Eberhardt propone el
estimado de n a partir del error relativo E%:
t s   t s 
E%    x 100   100  2.9
 x  x n 
que conduce al ecuación recompuesta

2 2 2
 t  s  100  CV  t 
n       1002     2.10 
 E%   x   E% 

78
y al asumir una muestra relativamente grande al final, o sea con t = 2:
2
 200  CV 
n    2.10 
 E% 
Para el premuestreo de la Tabla 2., se tiene entonces:

2
 200  0.6709 
n    80.01
 15 
si se aplica la corrección (2.8) se llegaría a 66 muestras.

2.3 Cálculos finales.

Con el número definitivo de muestras se calculan sus valores estadísticos con
sus respectivos límites de confianza, así como el cálculo del error en porcentaje.
Cuando no se obtiene el % deseado, es obligatorio recalcular el tamaño de la
muestra e incrementar el número de parcelas. Si se concertó de antemano con la
parte interesada, se pudo prever el cálculo por medio de la estratificación
posterior al muestreo, tratada en el capítulo 4. Con las 76 parcelas y una t =
1.99, se llegó al siguiente resultado, después de extraerlos aleatoriamente
escogiendo primero la coordenada literal y después la ordenada numérica (no
presentadas) Tabla 2.2. El resultado final se presenta de acuerdo con sus límites
de confianza

 = Y  t sY  2.7 
Tabla 2.2 Datos para el muestreo simple al azar de la población #1

VOL VOL VOL VOL VOL VOL VOL VOL VOL VOL VOL VOL
354 346 280 148 133 133 184 0 346 375 23 110
331 301 316 148 206 273 206 133 148 206 66 89
258 38 199 301 155 125 163 74 140 0 383 23
148 250 398 140 206 206 125 0 8 184 44 0
243 309 324 206 199 170 0 0 140 368 74 8
229 413 265 191 96 163 89 59 280 191 38 125
184 125 0 331

Volumen promedio 174,25

desviacion estandar 114,89
error estandar 12,88
error de muestreo 14,71%

79
2.4 Muestreo aleatorio simple en variables discretas.
El conteo del número de elementos dentro de un espacio muestral, al caer dentro
de las variables discretas se asume diferente a las variables continuas,
pudiéndose lograr desde las distribuciones de frecuencia de Binomial, Poisson o
Binomial negativa, por sus diferentes propiedades estadísticas.
2.4.1 Tamaño muestral para proporciones y porcentajes de variables
contrastantes. Las proporciones de elementos con ciertas características
contrastantes como árboles para aserrío o no, sexo o sano y enfermo, entre otras,
tienen solo uno de los parámetros p o q ya estudiados en el numeral 1.9.2. Si se

especifica un error aceptable E para estimar p y una probabilidad dada

  de

no excederlo, es posible a partir de la aproximación normal para n  20

encontrarlo a partir de la ecuación (6.9) que se estudiará luego encontrar

t2 pˆ qˆ
n  2.11
E2
n=tamaño necesario para estimar la proporción.
E = error admisible para el estimado.
Ejemplo. Un premuestreo con 50 datos, encuentra que los árboles de aserrío en
una plantación son el 42%. Estimar el tamaño de muestra necesario para

comprobarlo con un límite de error de 0.05 , para un

   0.05 . En estos
casos se acostumbra una t = 2, pero debe buscarse la necesaria para los datos
del premuestreo:

t2 pˆ qˆ
n  2.12
E2
22 0.42 1  0.42
n  389.76  390
con lo cual 0.052 .

(Cochran, 1977) propone un muestreo bietápico, una primera muestra para la

estimación de p̂ y una segunda etapa para encontrar el tamaño definitivo como:
 pˆ qˆ   3  8 pˆ1qˆ1   1  3 pˆ1qˆ1 
n  1 1    2.13
 v   pˆ1qˆ1   vn1 
en que: n tamaño final deseado para la estimación de la proporción,

80
 p̂1 = proporción de elementos con la característica deseada,
qˆ1  1  p
ˆ1
E2
v
t2 2
para   0.05 o 0.01 e infinitos grados de libertad.
n1  tamaño premuestral

Para los datos mostrados:

 0.42 0.58   3  8  0.42 0.58   1  3  0.42  0.58 

n      399.16
 6.51E  04   0.42  0.58   6.51 E  04  20 
Es posible aplicar la corrección (2. ) cuando se supone conocida una cota de la
variable buscada N, por ejemplo el promedio histórico de los árboles de aserrío
de la plantación 200 árboles por hectárea:
400
n   133.3
1  400
para el ejemplo sería: 200 , entonces con esta muestra
aseguraría la representatividad esperada.

2.4.2 Tamaño muestral para cualquier variable discreta que siga una
distribución de Poisson. Cuando la varianza iguala la media se tiene:

s x 1
CV     2.14
x x x
con lo cual:
2 2
 200 CV   200  1
n      2.15 
 E%   E%  x

Por ejemplo, en una plantación encontraron un promedio de 22 árboles tacados

por ha y se encuentran distribuidos como Poisson, si deseara estimar esta media

con una precisión de 5% (intervalo de confianza) debería tomarse una muestra
de
2
 200  1
n    72.72  73
 5  22
La ecuación (2.15) puede simplificarse para rangos normales de errores relativos

81
como:

400
n  2.16
Para 10% de precisión x

64
n  2.17 
Para 25% de precisión x

Resaltando siempre que las anteriores expresiones son en términos de anchos de

intervalos de confianza pero para distribuciones Poisson.

2.4.3 Tamaño muestral para variables discretas agrupadas. Estas

presumiblemente siguen una distribución Binomial Negativa Para ello se
calculan los datos:

x  Valor muestral esperado de la media,

x2
k  2.18 
s2  x
conocido como cociente de agregación (Lema, 2002) y los errores en porcentaje y
niveles de probabilidad similares a los ya mencionados. Como la varianza de la
Distribución Binomial Negativa se da por

x2
s2  x   2.19
k
se llega al tamaño muestral

100 t 
2
1 1
n     2.20 
E % 
2
x k

Si se espera el n adecuado, el valor de t es asumible como = 2 al 95% de

confianza. Por ejemplo, suponga una población agrupada de árboles comerciales
de cativo con 8.5 de ellos por hectárea, y una k = 4.21. Para garantizar el cálculo
de la media lo más aproximado posible se necesitaría muestrear

 200 
2
 1 1 
n     63.14
15 
2
 8.5 4.21 

parcelas. La ecuación (2.20) puede simplificarse para rangos normales de errores

82
 1 1
n  400     2.21
relativos como:Para 10% de precisión x k  Para 25% de

1 1
n  64     2.22
precisión x k Con conceptos similares a los expresados para
distribuciones Poisson.

83
3. MUESTREOS SISTEMATICOS

Reciben este nombre aquellos muestreos en los cuales la localización de las

parcelas se hace de acuerdo con un patrón predefinido subjetivamente,
siguiendo una ley de uniformidad. Suponga una población consistente de T
individuos numerables secuencialmente desde 1 hasta T, y T expresable como el
producto de dos enteros: T = M x N. Sacar un número aleatorio < N, ejemplo i y
seleccionar los individuos con el correspondiente número serial o sea cada N-
ésimo individuo, de modo que la muestra contenga los M individuos numerados

como i, i  N , i  2 N , , i   M  1 N , es lo que constituye un muestreo

sistemático, (Shiue, 1960), cuyas características serán definidas luego de

estudiar el muestreo cluster o arracimado dada su estrecha relación. Por ejemplo
en el bosque de la población # 1, T = 25*16. Suponga un i = 10, generaría la
serie 10, 26, 42,...,394.
Con ellos se busca generalmente una mejor repartición de la muestra
sacrificando otros conceptos estadísticos, especialmente el azar de ciertos
individuos y algunos insesgamientos, facilidad de ubicación dentro del bosque, y
sobre todo lograr un reconocimiento sobre toda el área de muestreo. Cuando se
tiene buena cartografía las ventajas son manifiestas al repartir las muestras en
toda el área.
Es un proceso ventajoso cuando no se conoce bien el área de inventario, o no se
dispone de cartografía o mapas, pues permite en forma incipiente hacer
reconstrucciones de ello, usando el método de Simpson por ejemplo para
recalcular áreas y el manejo de detalles de acuerdo con las observaciones
tomadas en los recorridos. Es importante cuando al inventario debe seguir un
plan de aprovechamiento en zonas no muy conocidas. Tiene la desventaja de que
el error sólo se conoce al final del muestreo, lo que dificulta propuestas para
estimar tamaños de muestra. La única condición para poderlo someter a un
cálculo válido del error es la escogencia del punto de partida al azar, para
hacerlo coincidir con alguno del patrón. El tamaño de la muestra generalmente

85
se basa en la fracción de muestreo, o en prueba y errores alcanzados.
La selección sistemática se conoce también como sistema de selección mecánica
por la forma como se escogen las unidades de muestreo, de acuerdo con
esquemas rígidos o predeterminados, ya que su objetivo es cubrir la población lo
más uniformemente posible en todas sus partes con el arreglo más simple
posible. La medición o la disposición de las unidades muestrales, que son
difíciles y costosas a veces en un diseño completo al azar, se ven facilitadas con
estos procesos. Han sido muy utilizados siempre y quizás uno de los métodos de
selección preferidos por los inventariadores cuando falta información.
3.1 Procesos de selección de la muestra
Existen tres procesos de selección sistemática:
1-Procesos en fajas continuas,
2-Parcelas en líneas, conocidas como conglomerados,
3-Parcelas en rejilla, distancias iguales en retícula.
El 1- mencionado, consiste de unas fajas continuas, parcelas cuya longitud
supera cientos de veces su ancho, localizadas sobre líneas a igual distancia y
paralelas dentro del bosque. Se usa para ajustar áreas, similar al proceso de
Simpson, al conectar los puntos extremos de las líneas. Figura 3.1. Por fuera del
recuadro mostrado no se muestrea, pero si se recorre hasta los extremos del
bosque para efectos de mapificación.

Figura 3.1. Muestreo sistemático en parcelas de igual y desigual longitud

86
Por dentro de la línea punteada se da realmente el muestreo sistemático
propiamente descrito, ya que las parcelas deben ser de igual forma y tamaño.
Se acostumbra sin embargo hacer prolongaciones ventajosas para bosques con
mala cartografía, para determinaciones de área por el método de Simpson. La
línea madre, línea punteada central de la figura, puede ser un trazo exprofeso o
un camino o río, en cuyo caso solo serán referentes. Los viejos usos de
transectos a través de los gradientes han sido el esfuerzo consciente o
inconsciente de dividir el bosque en fajas que presentaran más o menos una
similitud uniforme. De todos modos, es tan bien un proceso más analizable
desde la perspectiva de los muestreos arracimados. Existen muchas variantes
como el muestreo sistemático con estimador de la razón, abordado en otro
capítulo.
El 2- es una modificación del anterior, y ofrece ciertas ventajas de tiempo y
eficiencia, sin que cierta reducción en la intensidad redunde en pérdidas
sustanciales de precisión. El conglomerado es una faja discontinua, o círculos
equiespaciados sobre las líneas, aunque el conglomerado será la unidad de
muestreo. Figura 3.2. Se asume más bien como una disposición diferente de las
muestras.

Figura 3.2 Muestreo sistemático por conglomerados (círculos en líneas)

Como en el caso anterior se dan prolongaciones a juicio del inventariador para

87
búsquedas de área. También, como se verá luego, será posible el establecimiento
de conglomerados de diferentes longitudes sin destruir la filosofía del muestreo
sistemático.
El 3- por medio de una rejilla, generalmente usa una plantilla ortogonal
construida en acetato, papel albanene o dibujada sobre el mapa, en escala igual
a la de este, que se hace coincidir usualmente con las direcciones de las
coordenadas del mapa, teniendo cuidado de no producir efectos resonantes que
ubiquen las muestras en condiciones muy parecidas dejando de lado otras
circunstancias Figura 3.1. La elección de distancias y tamaño de muestra está
íntimamente ligado a la fracción de muestreo y no hay reglas específicas para
hacerlo. Este proceso se conoce también con el nombre de distribución
sistemática uniforme de las unidades muestrales. Es importante en bosques de
área pequeña para inventarios intensivos, o en condiciones de alta
homogeneidad en grandes bosques. Permite también arreglos triangulares
equiláteros de la muestra. Se acostumbra a veces como patrón que se tengan al
menos 1 - 2 unidades por hectárea, lo cual implica 100 o 70.7 m de distancia.
(Loetsch et al, 1964) Se hace énfasis en la numeración secuencial con el fin de
aplicar bien el concepto del cálculo del error de muestreo.

Figura 3.3 Muestreo sistemático con rejilla.

88
Además de lo anterior en casos de darse estratificaciones no intuidas antes del
proceso, es fácil ordenando las muestras descubrirlas y aplicarles muestreo con
estratificación posterior. Los diseños sistemáticos con fajas continuas o con
parcelas en líneas, se usan generalmente en grandes inventarios, o para
inventarios regionales, variando la distancia entre fajas o líneas, de acuerdo con
el tamaño y la estructura del bosque. En Suecia, se acostumbran inventarios con
distancias entre líneas hasta de 20 km, y para ciertas condiciones se han dado
distancias entre 200 y 1000 m, para áreas entre 5.000 y 50.000 ha. Ciertos tipos
de bosques tropicales caen en esta categoría.
3.1.1 Problemas del muestreo sistemático. Se ha enfatizado siempre la
necesidad de independencia así como de la aleatoriedad de las unidades
muestrales para garantizar igual oportunidad de selección a cada una de ellas.
Ello no ocurre en los procesos sistemáticos, por lo cual se impone por lo menos
la selección automática de la primera muestra que determinará la posición
inequívoca de las demás. Pruebas matemáticas indican que este tipo de
muestreos resultan insesgados y eficientes en la mayoría de los casos
(Sukhatme, 1954; Gautschi, 1957) reportados por (Sihue, 1960). Anota además
este autor que la consistencia para los estimados sistemáticos serán muy
probables a medida que el tamaño de la muestra se aumenta, lo cual no siempre
es dado. Todo ello induce a pensar en la aparición de sesgos en la estimación, de
lo cual se tienen opiniones encontradas.
En general estos muestreos no se adaptan a la teoría de muestreo: 1) por ser
solamente la primera muestra al azar, perdiendo la independencia de los demás
y dejando de ser entonces “grados de libertad”, por lo cual se hace imposible el
cálculo de la varianza; 2) porque ya seleccionado el primer elemento, los que no
entran al patrón tienen una probabilidad cero de salir seleccionados,
contrariando la teoría de muestreo; y 3) porque puede haber dependencia entre
los elementos cercanos del patrón, complicando de nuevo el cálculo de la
varianza y generando resonancias indeseadas entre los datos.
La experiencia práctica muestra en la mayoría de los casos estudiados,
estimados útiles y confiables tanto en volúmenes como en áreas para efectos de
producción y mapeo, con buenos registros de tiempo y costos. De otra parte,
89
para la mayoría de los estadísticos puros, solo se aceptan como insesgadas las
muestras aleatorias. Una primera inquietud surge al respecto: bajo que
circunstancias se espera que la selección de las unidades muestrales produzca

una Y y un sY que no sean suficientes pero insesgados?. Por ejemplo si se

seleccionan cada 12 números de una tabla de números aleatorios, la selección es

sistemática, pero los individuos son completamente aleatorios y la selección
sistemática se aproxima entonces a una muestra aleatoria. Es entonces posible
acudir a procesos de selección objetiva en poblaciones de individuos
aleatoriamente distribuidos, sin correr el riesgo de restringir los valores de los
estimados muestrales. Pero el bosque, estrictamente hablando no se puede
considerar una distribución aleatoria de individuos, la naturaleza impone ciertas
condiciones de modo que aparecen diferencias de sitio, condiciones de luz,
topografía o daños por ciertos agentes que rompen una supuesta aleatoriedad.
Mientras más pequeñas sean estas diferencias, menor será el sesgo introducido.
Por ello el problema de la discusión del sesgo es menos importante en bosques
homogéneos que en heterogéneos, por lo cual se considerará también la
estratificación.
Si a pesar de todo, se miraran las muestras de selección sistemática como
mutuamente independientes y como aleatoriamente distribuidas, y se adoptaran
las fórmulas apropiadas para la estimación de la varianza y el error standard del
muestreo irrestricto aleatorio, generalmente se obtendrían sobrestimaciones de
ellos aun en poblaciones espacialmente heterogéneas. De ahí, que muchos
autores presentan los resultados de los inventarios sistemáticos como más
precisos que los aleatorios con iguales fracciones de muestreo, (Malleux, 1982).
No es posible entonces mantener este aserto ya que se quiebran todos los
postulados probabilísticos establecidos para una buena estimación, ni posible
medir esta ganancia estadísticamente pues además también se dejan de cumplir
los postulados de suficiencia (Loetsch y Haller, 1964).
3.1.2 Resonancia. Al estimar la media en estos procesos puede darse una
tendencia periódica en los valores del parámetro, pudiendo darse grandes
desviaciones con respecto al valor verdadero. Por ejemplo la escogencia de la
orientación de las líneas puede influir en los resultados sí la topografía está
90
orientada en alguna dirección, o el bosque tiene colinas muy regularmente
repartidas, o sí un bosque es cruzado por un río en una determinada dirección,
la orientación de las líneas debiera ser en forma perpendicular a su dirección
promedia, para llenar en la mejor forma posible las diferentes unidades
topográficas. Normalmente las fajas deberían cubrir los principales accidentes
topográficos, lo cual puede llegar a producir modificaciones al diseño inicial o
cruce de fajas por ejemplo. Entonces se debe comprobar con detalle que las
distancias entre los elementos de muestreo no coincida con esa tendencia
periódica, para evitar esta situación.
3.2 Aproximaciones a los estimados sistemáticos.
3.2.1 Media estimada. Coincide con las expresiones del muestreo aleatorio aun
en sus diversos arreglos. Por ejemplo en un muestreo estratificado
correspondería:
M N jY j
Yestr    3.1
j 1 N
como se aclarará en el capítulo cuatro, ver (1.7.1.1). Similar cosa ocurre en caso
de uso de los estimadores de la razón, capítulo 5 y en general para cualquiera de
los a rreglos propuestos.
3.2.2 Otras aproximaciones de medias y del error estándar de la muestra
sistemática. Debido entonces al proceso de selección, las parcelas resultan
dependientes unas de otras, dejando por fuera de toda probabilidad la selección
de las que quedan por fuera de la plantilla. Para manejar el concepto estadístico
se acude a una especie de análisis de varianza como si fueran bloques solapados
Figura 3.4, con dos unidades de muestreo (FAO, 1974), mediante una propuesta
de Hasel citado por (Loetsch y Haller, 1964), que supone una tendencia lineal, en
la cual la suma de las desviaciones al cuadrado dentro de bloques debe resultar
menor que los cuadrados de las desviaciones con respecto a la media, si el
proceso fuera al azar. Surgen entonces varias situaciones:
3.2.2.1 Unidades muestrales de igual tamaño. Este es prácticamente el método
de Hassel, el cual supone la existencia de una sola línea de unidades de
muestreo, parcelas a lo largo de ella, o una muestra de líneas paralelas
equiespaciadas. Para ello, el error estándar sistemático se obtiene entonces así:
91
 n 1

 y  yi 
2
i 1
sY2  V Y   i 1
 3.2 
2n  n  1

n, número de elementos, yi 1 y yi valores del parámetro buscado en las parcelas

(i+1)ésima e iésima.

Figura 3.4. Concepto de bloques solapados o translapados

Por tratarse además de una muestra finita se debe hacer uso del factor de
corrección (1-n/N):
n 1 n 1

n   y
y  yi   yi 
2 2
i 1 i 1

sY2  V Y   1   i 1
 1  f  i 1
 3.3
 N 2n  n  1 2n  n  1
Acá se hace consideración de una población dividida en (n-1) estratos que se
solapan cada uno con dos elementos de muestreo vecinos. Algunos autores
calculan el error de muestreo con uso de la t de student, pero con muchas
discrepancias acerca de los grados de libertad al respecto. Algunos proponen
como grados de libertad los de la muestra, y otros le dan más valor al concepto
de bloques con lo cual reducen el anterior a la mitad.
Cuando se tienen varias líneas paralelas equidistantes, con unidades de
muestreo, se puede considerar la estratificación de las líneas, cada una
perteneciente a un estrato cuyo tamaño resulta proporcional al número de
unidades de muestreo a lo largo de ellas (FAO, 1974). En este caso la media:
nj n
m Nj m Nj yij 1 m j
Y  Yj   n   yij  3.4 
j 1 N j 1 N i 1 j n j 1 i 1

92
m, el número de líneas, N j , número total de unidades en el estrato j,
correspondiente a la línea j, N el número de unidades de la población o
m Nj nj
superficie por inventariar: N  N
j 1
j ,
N
, puede estimarse por
n
, en que n j y

n son respectivamente el número de unidades de muestreo a lo largo de la línea

j y el número total de unidades de muestreo, y
nj
1
Yj 
nj
 y  3.5
i 1
ij

En cada estrato la varianza se estima como (3.3) en que f, n, yi 1 y yi se

restringen al estrato y aparece la varianza estimada de Y así:

N 2j n2j
V Y j    V Y j 
m m
s  V Y   
2
Y  3.6 
j 1 N2 j 1 n2
El caso 2) se conoce también como estratificación con estratos no solapados con
4 unidades de muestreo en retícula, Figura 3.5, con dos elementos sobre una
línea dada y los otros dos sobre la siguiente paralela.

Figura 3.5 Estratificación en estratos no solapados

En este caso se tiene:

1  f  1  n 2 n 
*

*  i   3.7 
2
s
Y
 y  4 Y j2 
n 3n  i 1 j 1 
n
Y j media del estrato j, n* el número de estratos: n*  .
4
93
3.2.2.2 Unidades muestrales de igual tamaño. En general se aplica el metodo
de estratos solapados con dos unidades y el concepto de estimador de la razón,
ampliado en el capítulo 5. El estimado de la media sistemática por unidad de
superficie se da por:
n

y i
qˆsist  i 1
n  3.8
xi 1
i

xi área de la unidad. La varianza de el anterior estimador se da por:

1 1  f   n1 n 1 n 1

sq2ˆ¨ sist              xi1  xi  yi1  yi   3.9 
2 2
 y y ˆ
q 2
x x 2qˆ 2

X 2n  n  1  i 1
2 i 1 i sist i 1 i sist
i 1 i 1 

Algunos autores en forma menos rigurosa proponen el error estándar estimado

para M líneas con parcelas dentro de ellas, o conglomerados como:

  y 
M nj
2
ij  yi 1 j
sY2  1  f   3.10 
j 1 i 1

2n  n j  1
M

j 1

Para completar un somero conocimiento de los procesos sistemáticos, es

necesario abordar los procesos arracimados o clusters, que quedarán mejor
ubicados en el muestreo polietápico.
Se da como ejemplo un proceso de muestreo sistemático con el uso de rejilla, al
muestrear la población #1, Tabla 3.1 con una partida aleatoria en la posición t38
y 3 parcelas entre las muestreadas.
El proceso dio una media de 164.72 m 3/ha, con un error sistemático de
muestreo del 13.9%, con una t de 2.179, para 12 grados de libertad. Se entregan
también los resultados del proceso evaluado como si fuera un muestreo
irrestricto aleatorio, con igual media, pero su error de muestreo del 24.50% con
una t de 2.064. Se observan las grandes diferencias de los valores en ambos
procesos, el valor de la media dentro de los limites de confianza obtenidos en el
muestreo aleatorio simple llevado a cabo en el capítulo 2, pero el error
completamente alejado del valor obtenido en el proceso sistemático de la
94
verdadera media poblacional. Es de destacar que muestreos hechos con el
mismo patrón, sin partida aleatoria dieron resultados bastante alejados del
verdadero promedio poblacional.

Tabla 3.1 para el muestreo sistemático de la población #1 con partida aleatoria .

Volumen (Yi-1-Yi)^2 Volumen (Yi-1-Yi)^2 Volumen (Yi-1-Yi)^2

194 258 64 184 841
222 784 339 6561 148 1296
103 14161 273 4356 258 12100
15 7744 316 1849 21 56169
30 225 221 9025 199 31684
8 484 133 7744 155 1936
191 33489 206 5329 0 24025
250 3481 155 2601 8 64
38 900
volumen promedio 164,72 suma 141220
Varianza 110,3281
Desviación estandar 10,504
Error de muestreo 13,90%

95
4. MUESTREOS ESTRATIFICADOS

Ya se conoce la estadística para subpoblaciones dentro de poblaciones o

poblaciones mezcladas en un bosque, al cual es posible reducirle la varianza
total en proporciones atribuibles a aquellas al separarlas. Al proceso de dividir
una población original en varias subpoblaciones con el fin de reducir la varianza
se le conoce como estratificación.
4.1 Formas de estratificar.
Existen múltiples formas de llevar a cabo tal proceso dependiendo del
conocimiento o no de la causa de la heterogeneidad.
4.1.1 Conocida la causa. Conocida o asumida la causa de la variabilidad o de la
heterogeneidad, se procede a hacer divisiones del área por este efecto, ejemplo,
por tipos de bosques, rodales con diferentes grados de manejo, intervención o
edad, diferencia de especies, gradientes climáticos, pendientes, sitios, etc.
4.1.2 Causa desconocida. Basta con una simple división en bloques regulares,
con la suposición de que dos bloques vecinos deberán ser más similares entre si
que dos alejados, aunque a veces esta división pueda conducir a otros patrones
más complicados de variabilidad. Esto sucede generalmente en los bosques
tropicales, casi siempre compuestos por una gran variedad de especies, además
de criterios comerciales diversos y altos coeficientes de variabilidad, que podrán
incluso ser poco influenciables por la estratificación, como se vio en 1.6.1 y
siguientes.
4.2 Tamaño de la muestra, media y varianza de los estratos.
Para encontrar el número de muestras se requiere como en el muestreo aleatorio
simple un conocimiento inicial de las condiciones de los estratos o bloques,
fundamentalmente de sus medias y varianzas o errores estándar. Sea por
ejemplo una población con M estratos, o bloques arbitrariamente especificados,
cada uno con N j individuos (# de individuos posibles del estrato o bloque), y yij

la observación i del estrato j. La medida de la proporción del estrato j con

respecto a la población total es:

89
 Nj
pj   4.1
N
obtenible con planímetro o muestreos de puntos, por ejemplo. La media
aritmética para el estrato j se obtendrá como:
nj

y ij
Yj  i 1
 4.2 
nj

con n j número de muestras seleccionadas en el estrato j. De ahí, la media de la

población se obtendrá como:

M
Y   p jY j  4.3
j 1

La varianza para el estrato j, haciendo caso omiso de los grados de libertad, será:
nj

 y  Yj 
2
ij
s 2j  i 1
 4.4 
nj
El número de observaciones individuales posibles en la población N, así como el
tamaño de la muestra total n será:
M M
N  N1  N 2   N M   N j ; n  n1  n2   nM   n j  4.5 .
j 1 j 1

4.3 Error estándar de la media total.

Se acude a la fórmula (1.105) ya vista de propagación de los errores:
M
sY2estr   p 2j sY2j  4.6 
j 1

en la cual sYestr es el error estándar de la media muestral al cuadrado de la

2

población estratificada y sY2j el error estándar de la media del estrato j, al

cuadrado. La fórmula que se aplique depende además si se trata de poblaciones

finitas o infinitas.
4.3.1 Error estándar de la media total para poblaciones infinitas. Cuando s j

es la desviación estándar del estrato j:

90
 M s 2j
sY2estr   p 2j  4.7 
j 1 nj
4.3.2 Error estándar de la media total para poblaciones finitas. Usando el
factor de corrección:
M  2 s 2j  n   M 2 s 2j M 2 s 2j M 1 1 
   p j 1  j     p j   pj   p 2j s 2j    4.8
 n N 
2
sYestr
 nj  N j 
j 1     j 1 n j j 1 N j j 1  j j 

Esta ecuación no responde al interrogante acerca del número total de parcelas

que se deban muestrear (n) para una cierta precisión, ya que únicamente n j y

N j entran en ella y no se define una relación con n. Esta se podrá definir

entonces dependiendo de la respuesta que se de al siguiente interrogante: ¿Que
número de unidades de muestreo es necesario para una cierta precisión si:
a) La fracción de muestreo es igual en los estratos.
b) la fracción de muestreo varía en ellos buscando el menor n j posible.

c) la fracción de muestreo varía buscando el mínimo costo?.

Para encontrar varianzas y medias dentro de los estratos como una primera
aproximación para llegar al n definitivo se acude entonces a un premuestreo.
4.4 Premuestreo en inventarios estratificados.
Presupone un trabajo simple dentro de los estratos pues de lo contrario su efecto
principal de reducir el tamaño de la muestra, los tiempos de marcha y de
medición de parcelas y los costos no se lograría. Para conocer la variación dentro
de los estratos se han diseñado propuestas simples para el cálculo de la varianza
y la media, como las de (Loetsch y Haller, 1964).
4.4.1 Cálculo de la media en los estratos. Se llega a una buena estimación de
la media, buscando los valores más aproximados a los mayores y menores del
parámetro dentro de cada estrato y usar la siguiente aproximación:
y jmax  y jmin
Yj   4.9 
2
Incluso en casos de dudas a veces se asumen valores de cero para el menor
valor, y del máximo valor que se obtendría de conocimientos previos o de

91
ecuaciones de crecimiento.
4.4.2 Cálculo de la desviación estándar en los estratos. Similar al anterior se
puede lograr una buena estimación de la desviación estándar con la siguiente
aproximación:
y jmax  y jmin
Yj   4.10  ,
4.5
al presuponer que la mayoría de los individuos en una población normal se
ubican entre   3 , o sea en un rango de 6 . Se fuerza un poco el
denominador por no saber si es normal la población y si son identificables los
verdaderos valores máximo y mínimo. El otro componente del error (1-n/N)
raramente tendrá validez dado que la fracción de muestreo será casi cero.
Si se quiere perfeccionar un poco el estimado anterior se puede acudir a la
siguiente tabla (Freese, 1960) para muestras simples al azar de tamaño n en
poblaciones normales, en caso de decidirse por un premuestreo más exigente en
cada estrato.
De acuerdo con la Tabla 4.1 entonces  n  RANGO  VALORTABLA . Es posible ver

además que el divisor propuesto correspondería a un tamaño muestral de 50

individuos ya que para n  50,  50  RANGO  0.222 , o sea R/4.5, que se presenta

además como ejemplo del uso de dicha

.
Tabla 4.1 Razón de la desviación estándar/rango
n  R n  R
2 .886 12 .307
3 .591 14 .294
4 .486 16 .283
5 .430 18 .275
6 .395 20 .268
7 .370 40 .2453
8 .351 40 .231
9 .337 50 .222
10 .325 n k

4.5 Muestreo al azar estratificado con distribución proporcional.

Es la respuesta al interrogante planteado anteriormente en el numeral a). Se usa

92
principalmente cuando algún estrato domina ampliamente por área, de modo
que sea más importante este concepto que la variación supuesta. En tal caso la
fracción de muestreo se dará igual en todas las subpoblaciones con lo cual el
número de muestras por estrato resultará proporcional al área. En efecto:

pj=
aj N j nj
= =  4.11
a N n
p j , proporción del estrato j con respecto al bosque completo, a, área total del

bosque, a j , área del estrato j, N, número posible o total de muestras en el

bosque, N j Número posible o total de muestras en el estrato j, n, número de

muestras por tomar en todo el bosque, n j número de muestras elegidas al azar

en el estrato j. La fórmula (9) del error estándar se puede reescribir despejando

n j y N j , así:

M   1 1   1 1  M 2 2
sY2estr    p 2j s 2j 
 p n p N    n N    4.12 
   pj sj

j 1   j j  j 1

de la cual sale el tamaño de la muestra, cuando el error se da en las mismas

unidades de la media, así:
M
t 2  p j s 2j
n j 1
M  4.13
t 2
p s
j 1
2
j j

E 
2

N
Por ejemplo, la información contenida en la Tabla 4.2 corresponde a un bosque
estratificado. Los datos conducen a los cálculos respectivos, con un error de
muestreo del 5%.

El error del 5% dado en unidades de la media será: 0.05Y  11.76 m3 . Existen

diversas propuestas para el cálculo de n.
4.5.1 Tamaño de la muestra. Algunos autores acuden directamente al uso de
un valor de t = 2, ejemplo, (Freese, 1960):

93
 4 x 1547.4
n= = 42.03
4 x 1547.4
11.762 +
600
b) Usando 2M  1 grados de libertad para la t, dado que se trabajaron 3 estratos,

2.5712 x 1547.4
t = 2,571: n = 2 x 1547.4
= 66.42
2.571
11.76 2 +
600
Tabla 4.2 Datos de premuestreo de un bosque estratificado.

ESTRATO pj y jmax y jmin Yj sj pjsj p j s 2j p jY j

1 0.24 180.30 38.60 109.45 31.49 7.43 234.01 25.83

2 0.45 327.50 123.20 225.35 45.40 20.52 931.64 101.86

3 0.31 423.20 265.80 344.50 34.98 10.91 381.71 107.48

totales 38.865 1547.4 235.17

4.5.2 Repartición de la muestra. Como su nombre lo indica la muestra se

reparte proporcional al área de los estratos, por ello:

n j  np j y n1  9.91  10, n2  18.98  19, n3  13.1  13.4.5.3 Estimados finales. Y se

obtiene con base en la nueva muestra. El error estándar se calcula con base

 1 1  3
en: sY2estr      p j s j y los datos sacados de la nueva muestra. El error de
2

 42 600  j 1
t gl sY
muestreo será como en todos los procesos vistos: E  100% ,en que los
Y
grados de libertad, gl = n - 1, o en opinión de otros autores con sólo 2M, o aun
2M1-1.
4.6 Muestreo estratificado con distribución óptima.
4.6.1 Distribución óptima por variabilidad. En este muestreo se hace énfasis
en la variación dentro de los estratos, de modo que el de mayor variación tenga
una muestra mayor, considerando la proporción ocupada con respecto al área
total. Para responder a la necesidad de muestreo buscando el menor n j posible

se acude a una forma de distribución de las unidades conocida como "asignación

94
óptima de las unidades muestrales" o "asignación de Neyman". Este problema se
resuelve matemáticamente buscando que el tamaño de muestra n sea un
mínimo. Como un ejemplo, sea una población de dos estratos (M = 2) con p1 y

p2 , sus respectivas proporciones de área y su cuadrados medios s12 y s22

(varianzas). El error estándar estratificado saldrá entonces de:

p12 s12 p22 s22

sY2estr    4.14 
n1 n2

con el número de muestras requerido n  n1  n2 . Con el fin de llegar al n posible

se halla la derivada igualada a cero de:

 p12 s12 p22 s22 

ns 2
Yestr
  n1  n2      4.15
 n1 n2 
con lo cual:

d  nsY2  p12 s12 n2 p22 s22 n12

0 p12 s12  p22 s22   0  4.16 
dn n1 n2

Si se despeja n 2 y se cambia el lado de sY2estr en (4.14), entonces:

p22 s22 p22 s22 n1

n2    4.17  .
p12 s12 n1sY2estr  p12 s12
sYestr 
2

n1
Sustituyendo (4.17) en (4.16) se obtiene:

ns 2
p s p s 
2 2 2 2 p12 s12 p22 s22 n1

 
p22 s22 n1 n1sY2estr  p12 s12 

Yestr 1 1 2 2

n1 n s 2
1 Yestr p s2 2
1 1  n2 
  4.18 
p12 s12 p22 s22 
 p12 s12  p22 s22   n1sY2estr  p12 s12
n s 2
1 Yestr p s 2 2
1 1  


con lo cual:
p12 s12 p22 s22
nsY2estr  p22 s22  n1sY2estr   4.19 
n1sY2estr  p12 s12
El cálculo de la diferencial con respecto a n:

95
 
d nsY2estr   0 s 2

p12 s12 p22 s22 sY2estr
 4.20 
 
Yestr 2
dn1 n1sY2estr  p12 s12
la cual da:
 
 n s 
d nsY2estr sY2estr
  4.21
2
2
 p12 s12  p12 s12 p22 s22
 p s 
2 1 Yestr
dn1 ns2 2 2
1 Yestr 1 1

igualando a cero se tiene:

p1s1  p1s1  p2 s2 
n s   4.22 
2
2
1 Yestr  p12 s12  p12 s12 p22 s22  0  n1 
sY2estr

De manera similar para n 2 :

p2 s2  p1s1  p2 s2 
n2   4.23 .
sY2estr

Generalizando la anterior entonces se tiene:

M
pjsj  pjsj
nj  j 1
2  4.24 
sYestr

Se puede encontrar entonces n  n1 n2 así:

 p s  p2 s2 
2

n1  n2 n 1 1  4.25
sY2estr

o más generalmente:
2
M 
  pjsj 
n 
 4.26  ,
j 1
2
sYestr
2
M 
  pjsj 
 
 4.27 
j 1
de donde: sY2estr
n
Al entrar (4.27) en (4.24), se encuentra la forma de asignación de las muestras a
cada estrato:

96
 M
n pjsj
nj  pjsj  pjsj 2
 M
n  4.28
M 
j 1
  pjsj  p s
j 1
j j

 j 1 
Multiplicando arriba y abajo la (4.26) por la t de Student al cuadrado se tiene
para el caso de poblaciones infinitas:
2 2
M  M 
t   pjsj 
2
t2   pjsj 
n  2 2    
 4.29 
j 1 j 1

t sYestr E2

Para finitas se llega por transformaciones a la fórmula:

2
M  M
  pjsj   pjsj
2

   j 1
 4.30 
j 1
sY2estr
n N
de la cual es posible despejar n, así:
2
M 
t   pjsj 
2

 j 1 
n  4.31 .
 M 
t 2   p j s 2j 
E2   
j 1

N
Con los datos usados en el ejemplo anterior para t = 2, es posible ver que n = 41
muestras, los cuales se reparten mediante la fórmula (428), con lo cual se
asignan así: n1  8, n2  22, n3  12 . Es necesaria una prueba de

homocedasticidad para establecer diferencias s 2j .

4.6.2 Distribución óptima de acuerdo con los costos. Desde el punto de vista
de los costos, la asignación óptima sucede si se pueden mantener constantes los
tiempos productivos e improductivos, o sea si los costos por unidad de muestreo
se pueden asumir iguales en los estratos. Obviamente este no es el caso general
y se darán diferencias por accesos, tiempos de marcha, etc. En tal caso la
asignación óptima deberá considerar tal variación. El costo total del muestreo de
campo se calcula como:

97
 M
C   n j c j  n1c1  n2c2   nM cM  4.32  .
j 1

c j , costo promedio por unidad de muestreo en el estrato j.

n j , número de unidades muestrales en el estrato j. Surgen dos preguntas al

respecto:

a) Cuantas unidades se necesitan para lograr una cierta precisión, de modo que
se logre el error concertado a un costo mínimo, y de que manera repartir la
muestra total en los estratos?.
b) Que asignación produce la máxima precisión a un costo dado?.
En a) la precisión se fija de antemano, en b) surge según costos. Ambos
problemas tienen su solución en el cálculo diferencial, el cual revela la siguiente
relación entre n j y n:

pjsj
cj
nj  n  4.33
M  pjsj 
 

j 1 

c j 

El cálculo del error estándar para poblaciones infinitas se obtiene como:

1 M M p s 
sY2estr    p j s j c j     4.34 
j j


n j 1 c 
 j 1 j 

De acuerdo con ello, para un error permitido E y poblaciones infinitas:

t2  M M p s 

2  j j   4.35
n  p s c 
j j


E j 1
j
c 
 j 1 j 

Para poblaciones finitas:

1 M M p s 
1 M
sY2estr    p j s j c j      p j s 2j  4.36 
j j

n  j 1 c j  N j 1
 j 1

de donde es posible calcular el tamaño de la muestra:

98
 M M p s 
t2   pjsj cj   j j 
 j 1 cj 
n  
j 1
2 M  4.37 
t
E 2   p j s 2j
N j 1
Los costos entran en la fórmula como su raíz cuadrada y solo cambian el número
obtenido del muestreo en el ejemplo anterior si los costos resultan
significativamente diferentes entre los estratos. Retomando el ejemplo ya
trabajado se asumirán los costos por parcela presentados en la Tabla 4.3, así
como los cálculos respectivos. Los otros datos se hallan en la tabla anterior.

Tabla 4.3 Datos de premuestreo de un bosque estratificado.

ESTRAT pj y jmax y jmin Yj cj pjsj p jY j

pjsj cj
cj

1 0.24 180.30 38.60 109.45 63000 1865.26 0.029607 25.83

2 0.45 327.50 123.20 225.35 40000 4104.16 0.102604 101.86

3 0.31 423.20 265.80 344.50 45000 2315.01 0.051445 107.48

totales 8284.43 0.18366 235.17

El error del 5% dado en unidades de la media será: 0.05Y  11.76m3 0.05.

4.6.3 Tamaño de la muestra. a) Similar al caso anterior, acudiendo
directamente al uso de un valor de t = 2, ejemplo, (Freese, 1960):
4 x 8284.43 x 0.18366
n= = 40.95 .
2 4 x 1544.76
11.76 +
600
b) Usando 2M-1 grados de libertad para la t, dado que se trabajaron 3 estratos, t

2.5712 x 8284.43 x 0.18366

= 2,571: n = 2 x 1544.76
= 64.75 .
2.571
11.762 +
600
4.5.2 Repartición de la muestra. Como su nombre lo indica la muestra se

99
reparte proporcional a la variación de los estratos, por ello:
pjsj
n1  6.61 7
cj 
nj  n  n2  22.9 23 Que produce cambios de la muestra total
M  pjsj  n  11.48 11
  
c j 
 3
j 1 
con respecto a la lograda anteriormente.
4.7 Estratificación posterior al muestreo.
Cuando se hubiera acudido previamente al muestreo simple aleatorio o
sistemático y la evidencia de campo o los procesos estadísticos como un análisis
de clusters revelan la presencia de subpoblaciones, es posible estratificar
después del trabajo de campo, aunque la muestra se hubiera tomado sin dicha
presunción. al hacerla evidente. Para ello, con base en la muestra simple al azar,
se hace la repartición para cada estrato, con lo cual se obtienen reducciones
sensibles del error. Figura 4.1.
4.7.1 Estimador de la media por elementos. Se usan las mismas ecuaciones
(4.1) y (4.5), buscando p j con base en el cálculo posterior que se haga de N j y

N, o de sus términos equivalentes. Con ello:

M

N Y j j

Yestrpost  j 1
 4.38
N
4.7.2 Estimado del error estándar con estratificación posterior. Se obtiene
por medio de la siguiente ecuación

1  f  M Nj 1 M
 Nj  2
sY2estr  N s 2j 
n2
 1  s j  4.39 
post
n j 1 j 1  N 

en este caso n  n j número total de elementos de la muestra, f = n/N . Cuando

las varianzas estimadas s j 2 de los estratos obtenidos con posteridad no resulten

muy diferentes entre si, y el tamaño de muestra sea bueno, el segundo término
de (4.39) puede resultar despreciable, comparado con el primero.
Como ejemplo se presenta el inventario de la población #1, efectuado en el
numeral 2.3 sometida a estratificación posterior como lo sugiere la población 5,

100
pero asumiendo que el trabajo de campo detectó la estratificación presentada.
Para ello, con base en ordenaciones de la muestra de los volúmenes del mayor al
menor, o viceversa, se asignaron al respectivo estrato y se procedió con los
estadísticos clásicos a encontrar media y varianza dentro de ellos. La proporción
respectiva de cada estrato se hallaría con planímetro, o por medio de lo
presentado en el ítem siguiente. Los resultados, Tabla 4.4, muestran que el
volumen promedio por hectárea con este proceso es de 179.614 m 3/ha, con lo
cual se incrementa el sesgo con respecto al verdadero valor poblacional, pero se
obtiene un estimador ponderado de la media, también mayor en este caso que lo
obtenido con el muestreo aleatorio simple, el valor obtenido para la primera
parte del lado derecho de la ecuación (4.39) fue de 22.197, y para la segunda de
0.6011, prácticamente despreciable con

Figura 4.1. Estratificación posterior a un muestreo simple

respecto al anterior, el error estándar cuadrático con estratificación posterior al

muestreo fue entonces 22.797, con lo cual el error de muestreo es de 5.29%
contra el 14.71% obtenido en el aleatorio simple. Se resalta que N i cambia si se
asumen parcelas de 1/10, 1/40 de hectárea, etc, en este caso se asumieron
parcelas de 1/10 de ha. También se debe hacer énfasis en que es éticamente
presentable este muestreo cuando figura la posibilidad de utilizarlo en los
términos de referencia o se pacta de antemano.

101
Tabla 4.4 Organización de los datos para el muestreo con estratificación posterior.
Volumen Estrato Volumen Estrato Volumen Estrato
413 1 280 2 125 3
398 1 243 2 125 3
383 1 229 2 125 3
375 1 206 2 125 3
368 1 206 2 110 3
354 1 206 2 96 3
346 1 206 2 89 3
346 1 206 2 89 3
331 1 206 2 74 3
331 1 199 2 74 3
324 1 199 2 66 3
316 1 191 2 59 3
309 1 191 2 44 3
301 1 184 2 38 3
301 1 184 2 38 3
280 1 184 2 23 3
273 1 170 2 23 3
265 1 163 2 8 3
258 1 163 2 8 3
250 1 155 2 0 3
148 2 0 3
148 2 0 3
148 2 0 3
148 2 0 3
140 2 0 3
140 2 0
140 2
133 2
133 2
133 2
Sumaj 6.522,00 5.382,00 1.339,00
vol proj 326,10 179,40 51,50
Nj 930,00 2.010,00 1.060,00
sj 47,29 32,32 47,11

4.7.3 Muestreo estratificado posterior sin conocimiento de p j .. Cuando no

se conoce el tamaño de los estratos, se puede acudir a estimaciones burdas de

ellos, por medio de plantillas de puntos o cualesquier otros métodos indirectos,

102
con lo cual se obtienen la media y el error estándar de acuerdo con sus
fracciones relativas rj así:

M M rj2 s 2j
 rj Y j 
j 1 n j
Yestrpos  j 1
M
; sYest  2  4.40 
M 
r
post

j 1
j
  rj 
 j 1 
4.8 Error estándar en muestreo sistemático estratificado.
Otra forma de obtener una aproximación del error estándar, exclusiva al
muestreo sistemático en rejilla, acude a la división de la muestra en partes
independientes interpenetrables. Este es un tipo de muestreo "arracimado" o
"cluster", en el cual se seleccionan varias muestras en la población equivalentes
pero mutuamente independientes. Las unidades de cada parte muestral son por
regla distribuidas sistemáticamente, pero el arranque de de cada estrato o parte
muestral es aleatorio (Sihue, 1960), Sihue y John, 1962). El error estándar se
obtiene como:

 Y Y 
k
2
j

sY2  j 1
 4.41
k 1
k, número de partes equivalentes de la muestra total, Y j , media de la parte

muestral j, Y , media de la población total. Este error es solo una aproximación,

pues acá no se trata de partes interpenetrantes genuinas, pues con la
estratificación posterior no se dio inicio aleatorio por cada estrato. Es un criterio
muy estricto y no siempre posible de estimar como insesgado, especialmente
cuando el número de estratos o partes es reducido. Este número k, determina el
valor de t y como se ve una división en 4 partes apenas, conlleva un alto valor de
t para una confianza del 95% = 3.18, lo cual acentúa una sobrestimación de los
intervalos de confianza.

103
 5. MUESTREO AL AZAR Y AL AZAR RESTRINGIDO CON FAJAS DE DESIGUAL
LONGITUD - ESTIMADORES DE LA RAZON.

En los capítulos anteriores se ha trabajado con unidades regulares con respecto al

tamaño, excepto en el muestreo conglomerado presentado en el muestreo
sistemático. No obstante en inventarios forestales, sobre todo del bosque tropical, es
muy común el uso de parcelas de tamaños y formas desiguales, por efectos de
lindero o por elección procedimental, como lo muestra la Figura 5.1, en la cual las
fajas dentro del bosque tienen esa propiedad, o también las parcelas aisladas 1B, 2I,
3L, 4L, 5L, 7B, 8E , etc.

Figura 5.1. Parcelas de desigual tamaño y forma.

Para cumplir con el requerimiento de parcelas de igual tamaño, sería necesario

adicionar idealmente las parcelas incompletas con unos límites imaginarios que las
volvieran de igual forma y tamaño, áreas de complementación, Figura 5.2, para
efectuar el muestreo en forma tradicional, lo que explica el paralelogramo que rodea
al bosque asumiendo un comportamiento similar de los parámetros buscados dentro
y fuera del viejo y nuevo perímetro, o; que los transectos de igual longitud al
adicionar tales límites quedarán con áreas con y sin bosque.
En algunos casos se ignora tal procedimiento con el fin de simplificar el trabajo de
campo y se reubican las parcelas o se recomponen, introduciendo sesgos a la
estimación. Pero de todo esto es preferible acudir a los estimadores de la razón.

113
5.1 Fajas en bosques tropicales.
La faja, de amplio uso sobre todo en inventarios de bosques tropicales, permite una
relación óptima entre tiempos de marcha y área efectiva muestreada, sobre todo con
accesos y orientaciones difíciles. Es común encontrar en la literatura anchos de faja
entre 10 y 25 m por longitudes desde 100 m hasta de 2 km y más.

Figura 5.2 Adición de área para buscar formas y tamaños iguales

5.1.1 Desventajas y debilidades
Tienen algunas desventajas estadísticas: el número de unidades muestrales resulta
relativamente pequeño, cada faja, aunque divisible en unidades de registro, sigue
siendo la unidad de muestreo, el tamaño de la unidad es grande, reduciendo la
variabilidad, pero ello puede resultar irrelevante frente al pequeño tamaño muestral,
en comparación con el muestreo aleatorio simple con la misma intensidad, ya que se
reducen grandemente los grados de libertad lo que amplía los límites de confianza y
aumenta los errores de muestreo. Por otra parte, reducen las posibilidades de la
estratificación, a pesar de cruzar por varios estratos.
Su mayor debilidad consiste en producir parcelas de tamaños desiguales, algo no
deseable estadísticamente, lo que se resuelve usando los estimadores de la razón
(Lema, 1986), aunque (Malleux, 1976) al contrario les anota como ventajas, el
permitir una buena distribución de la muestra mediante cortes transversales del
bosque para posibles estratificaciones y toma de datos accesorios como pendientes y

114
análisis estructurales, seguramente pensando en el cambio de unidades muestrales.
5.1.2 Volumen y concepto de Y Media
El volumen podría configurarse de dos maneras ya que la forma irregular de los
bosques conduce a las fajas desiguales. Para superar esto se acude rectángulos
exteriores hipotéticos que conformarían fajas de igual longitud, pero con dos
estratos: el área con bosque y el área por fuera de este, Figura 5.2, que para efectos
prácticos se asumirá siempre sin bosque, lo que dará lugar a tener:

1) una variable Y como el volumen promedio por faja de hipotéticas iguales

longitud y forma, o,
2) El volumen promedio por unidad de área para el rectángulo total que
configura la faja.
5.2 Estimadores de la razón.
Este proceso busca una igualdad virtual estadística de las muestras, para superar
las desigualdades en forma y tamaño, con algunas condiciones para su aplicación
según (Husch, 1982):
- un tamaño muestral n de más de 30 muestras,
- que la relación entre las variables sea lineal y,
- que la recta de tendencia pase por el origen de coordenadas.
(Loetsch, et al, 1964) recalcan que el estimador obtenido queda impreciso y contraría
las leyes que venían rigiendo para los muestreos, pero aclaran que es posible
entenderlo, aceptado como una medida hipotética que reconfigura las unidades
como si tuvieran igual tamaño.
5.2.1 Cociente de medias q. Un estimador de la razón tiene sus antecedentes en el
numeral 1.12.4 ya visto, pero como un cociente entre dos medias, o la suma de una
variable sobre la suma de la otra, ejemplo volúmenes en áreas desiguales de
muestreo, así:
n

Y y i
q  i 1
n  5.1
x
X
i
i 1

para lograr la uniformidad de las muestras al quedar expresadas en

115
m3 unidad de area .
Se presentará en primer lugar la propuesta de Dawkins como un buen intento para
resolver el tamaño de muestra reducido
5.2.2 Error estándar de fajas iguales dentro de bloques de igual tamaño.
Propuesta aleatoria restringida de Dawkins. Para resolver el problema del
tamaño de muestra reducido y que las fajas a veces deberán atravesar varios
estratos diferentes del bosque, sin una localización óptima de las unidades
muestrales, se procede a una división del área del bosque en bloques de igual
tamaño con selección dentro de ellos de un predeterminado número de fajas en
forma aleatoria, con lo cual se acortan estas, se aumenta el número de muestras,
con casi la misma fracción de muestreo y además permite un análisis de varianza
que reduce el error estándar la mayoría de las veces.
Presenta como desventaja un aumento en los tiempos de marcha, lo que influye
necesariamente en costos, y en requerimientos estadísticos (Loetsch y Haller,1964).
Estadísticamente se requiere para la estratificación propuesta en bloques con fajas
dentro de ellos:
1- Que cada faja tenga una oportunidad igual de ser seleccionada.
2- Que el número de fajas  2 por bloque.
3- Que la fracción de muestreo sea igual en todos los bloques; y
4- Que el tamaño, forma (cuadrados o rectángulos) y disposición de los bloques
se tenga en cuenta para que las desigualdades entre ellos marquen la mayor
diferencia posible de la proporción de la varianza total.
Logísticamente se requiere: una escogencia adecuada de acceso a los puntos de
partida de las fajas, como caminos, quebradas o ríos, otras fajas o puntos
relevantes; reconocimiento aerofotogramétrico o cartográfico que permita eliminar
áreas sin bosque; y una selección adecuada de campamentos y subcampamentos
para eliminar tiempos innecesarios de marcha.
5.2.2.1 Selección aleatoria. El proceso de selección aleatoria de las fajas se ve
afectado por el ancho y el número de ellas en cada bloque. Para evitar ciertos
problemas de selección de las fajas, Dawkins propone una división del ancho del
bloque en diez partes iguales, con una subfaja central en cada una, y selección

116
aleatoria de dos partes por bloque, con lo cual se calcula el error estándar así:

 M 
     x1 j  x2 j  y1 j  y2 j  
M M

  
2 2
2 x  x y  y 2
1  f  q  j 1 1j 2j 1j 2j

sq2in   j 1  j 1   5.2 
n2  X2 Y2 XY 
 
 
en que: x1 j ,área con bosque de faja 1 en el bloque j, y1 j volumen de la faja 1 en el

bloque j, etc.

5.2.2.2 Tamaño de los bloques. El tamaño de los bloques se recomienda desde 1

hasta 10 km para áreas que sobrepasen las 2.000 ha, así: entre 2.000 y 10.000 ha
de 1 km de lado, entre 10.000 y 50.000 has, de 2km de lado y para áreas mayores
de 50.000 ha, de 10 km de lado, sin dejar de lado la intensidad de muestreo.
Los requerimientos financieros implican una gran planificación especialmente
logística del proceso, buscando que cada faja tenga un inicio fácil de acceso, tal
como caminos, quebradas, ríos, trochas, etc. para disminuir al máximo los costos de
establecimiento y medición de las unidades secundarias (fajas) con respecto a las
primarias (bloques), Figura 5.3. Se debe, además evitar travesía por áreas en zonas
sin bosque.
La figura 5.3, recompuesta de (Loetsh y Haller, 1964), muestra el diseño logístico de
un inventario para 12.500 ha con una fracción de muestreo del 2%, con un ancho
de faja de una cadena (20 m) y una estratificación en bloques de 2 km de lado, con
el proceso Dawkins, ya mencionado.
Se quiere hacer notar, los cambios de dirección de las fajas, buscando mejorar los
accesos y las secuencias lógicas de los tiempos de marcha desde cualquiera de los
bloques a los demás. Las áreas sin bosque se atraviesan rápidamente para
restablecer los puntos de marcha en casos de necesidad. Se ve entonces que los
bloques 1-4 y 7-8 pueden fácilmente alcanzarse desde el río B, los bloques 5, 6, 11 y
24 desde el río A y muchos de los restantes desde el camino o de cualquiera de los
ríos, en tanto que otros se alcanzarían desde otras fajas de bloques aledaños. A
parte de lo anterior al planificar se debería estimar el efecto económico de establecer
o no campamentos de apoyo para las unidades alejadas o que ocasionen sensibles
tiempos de marcha
117
 Figura 5.3 Ejemplo de un diseño logístico según la propuesta de Dawkins.

Como lo resaltan (Loetsch y Haller, 1964) el proceso de selección aleatoria de las

fajas es afectada por su ancho y por el número posible de ellas dentro de cada
bloque. Los forestales británicos han propuesto como ancho de la faja una cadena,
cada bloque subdividido en tantas unidades lineales como el ancho medido en ellas
y seleccionadas al azar por cualquier medio. Dawkins, 1958, para evitar la selección
totalmente aleatoria, propuso una restricción adicional de dividir cada bloque en 10
partes iguales, las fajas se ubicarían en el centro de cada parte, de las cuales se
seleccionarían dos partes de estas al azar. Cuando no se atraviesan áreas sin
bosque, el proceso Dawkins se reduciría a

 M 2 
2    y1 j  y2 j  
1  f  q  j 1
sq2in    5.3
n2  Y2 
 
 

5.2.3 Muestreo en fajas de igual longitud. Es el caso en que las fajas o los
transectos lineales de muestreo pueden asumirse como de igual longitud y que las
unidades de registro no coincidan con las unidades de muestreo.

118
Por ejemplo cuando se asume en la figura 5.1 que las fajas A, B,.., L, o 1, 2, .., 8
quedan de igual longitud al circunscribir el rectángulo adjunto al bosque, en cuyo
caso los transectos de igual longitud quedarán con una proporción de área no
boscosa, que precisa por tanto de otra variable: la longitud de las unidades de
muestreo lineal dentro del área boscosa en las cuales se hace el muestreo, (Loetsch
et al, 1964). Estas además pueden ser subdivididas en unidades de registro de
longitud constante, muy común de 50 m por ejemplo, resultando irrelevante para el
cálculo del error si se asumen continuas o intermitentes, mientras hagan parte de la
misma unidad de muestreo.
Lo anterior permite además segregar algunas con el fin de hacer estratificaciones de
acuerdo con algunas características del bosque, contrariando así algunas de las
opiniones contrarias a su uso. Aparecerán entonces dos variables simultáneas
diferentes para cada unidad de muestreo: xi , área del estrato con bosque en la

unidad de muestreo i, yi , volumen almacenado en xi , además obtenido en

diferentes tamaños del estrato boscoso, dentro de cada unidad muestral.

Esto conduce a un muestreo con unidades de áreas desiguales que conducen al

estimador de la razón, en cuyo caso:

- X es el área promedia del estrato boscoso por unidad de muestreo pero

- yi un poco más difícil de explicar, se asume como el volumen promedio dentro del

respectivo estrato boscoso por unidad de muestreo, que incluye Bosque y No bosque.
Por otra parte la forma irregular del área boscosa que conduce a fajas de desigual
longitud, lleva a encerrarla dentro del perímetro rectangular para reconstruir áreas
muestrales de igual forma y tamaño, volviendo más comprensible aun el uso de
(5.1). Todo lo anterior lleva a que el volumen total pueda entonces ser estimado de
las dos formas siguientes:
1) V  a j q;
2) V  NY  5.4 
en que a j , área del estrato con bosque y q el estimador de la razón, N, número de

unidades de muestreo de igual tamaño en la población y Y volumen promedio de

119
fajas de igual tamaño, forma y longitud. Para el cálculo de V, según 1) de (5.4), se
necesita la información adicional del área por estrato, la cual puede obtenerse de
fotografías aéreas o mapas. Si a j está libre de error el error estándar del volumen

total es:

sV  a j2 sq2  5.5 .
Sí el área es un estimado, entonces su error estándar debería ser calculado como:

sV  a j2 sq2  q 2 sa2j  5.6 ,

con lo que aparece naturalmente el concepto de la varianza de q.

5.2.3.1 Varianza de q. La varianza de q se calcula como la varianza de una

ecuación bilineal en la cual se da el promedio del volumen Y sobre el promedio del

área X así:

 s2 s 2 2s 
sq2  q 2  x2  y2  xy 
X  5.7  ,
 Y XY 

que al reemplazar las varianzas se convierte en:

 n n n

        xi  X  yi  Y  
2 2
2  xi  X yi  Y 2
q
sq2   i 1  i 1  i 1   5.8 ,
 n  1  X 2
Y 2
XY 
 
 
la cual se resuelve y simplifica como:

 n 2 n n

q  i 1
2  x i  yi
2
2 xi yi 
sq 
2
  i 1
 i 1
  5.9 
 n  1  X 2 Y2 XY 
 
 
o con posteriores reagrupamientos y simplificaciones como:
n n
q 2   yi  qxi    y  qx 
2 2
i i
sq2  i 1
; o como sq2  i 1
 5.10 
 n  1 Y 2  n  1 X 2
5.2.3.2 Error estándar de q. Se calcula de varias formas, de acuerdo con un
muestreo aleatorio irrestricto de n fajas de N, Figura 5.4, o para el proceso en

120
 Figura 5.4 Selección de n fajas aleatorias de N

bloques ya visto (Dawkins, 1958), o una de sus modificaciones que hace parte más
bien del proceso polietápico.
5.2.3.2.1 Error estándar de q para n fajas desiguales de N. Se obtiene de la
ecuación (5.9), incorporando el factor de corrección así:

 n 2 n n

n  1  f  q    
2
s 2 2xi yi 2 xi yi 
sq 
2
1   
q
 i 1
 i 1
 i 1
  5.11
n  N  n  n  1  X 2 Y2 XY 
 
 
Si se dan restricciones por estratificación, la varianza de los estratos llamada sq2in se

puede obtener como:

 sx2 s y2 2sxyin 
sq2in  q 2  in2  in2 
X   5.12 
 Y XY 

y el error estándar como:

1  f  sq2
s 
2
qin
in
 5.13
n
Ejemplo, para muestrear la población #3, se eligieron por sorteo aleatorio las fajas
A3, A7, A15, A18, B23, y B26, con los siguientes datos: Tabla 5.1 para áreas (por
practicidad cada cuadro se asumirá como una ha), y los volúmenes de ellas.

121
Tabla 5.1 Datos para el muestreo de la población #3 con fajas desiguales.

FAJA xi (Ha) yi (v/Ha) xi2 yi2 xi yi

A3 3 208 9 43264 624

A7 9 945 81 893025 8505
A15 18 4206 324 17690436 75708

A18 20 4972 400 24720784 99440

B23 20 3760 400 14137600 75200
B26 12 944 144 891136 11328

SUMA 82 15035 1358 58376245 270805

PROMEDIOS 13.66667 2505.833

q= 183.3537 sq2  698.5552 sq  26.4302

Es de anotar que para la solución anterior se trabajó solo hipotéticamente, con el

supuesto de 35 fajas posibles, lo cual saca los estimados un poco de la realidad, ya
que las fajas son a lo sumo de 10 m de ancho entre nosotros, lo que hace que la
fracción de muestreo sea bajísima. El error de muestreo evaluado con t = 2.571
resulta del 37%.
5.2.3.2.2 Error estándar de V para n fajas iguales de N. Acudiendo a la ecuación
2) de (5.4), y a la figura 5.2, no se necesita información adicional para estimar V ya
que se puede calcular N, de n y de la fracción de muestreo como N  n f , con lo
que:

sV  N 2 sY2  5.14 :
Ambas versiones de volumen (calculadas por 5.4) difieren por la magnitud del error
estándar. En general sq % es considerablemente menor que sY % a pesar de que q

esté sometido a los errores de X y Y , por no ser mutuamente independientes.

Lo anterior explica la aparición de la correlación o grado de interdependencia en las
fórmulas (5.5) a (5.10), por lo cual cuando el área x = 0, el volumen y será 0, aunque
la inversa no necesariamente sea válida, por existir áreas sin bosque. El caso
anterior evaluado con base en fajas iguales dio un volumen total de 87704.155 m3,

122
un error estándar evaluado con (5.10) = 10511.36, para un error de muestreo del
23.97%.

5.2.3.2.3 Coeficientes de variación. Los coeficientes de variación permiten otros

análisis y simplicidad de cálculos de lo anterior. Pueden escribirse como:

 sx %    s y %   sX %    sY %  5.15
2 2 2
sq %   200sxy % sq %   200sxy %
2

en que:
n

  x  X  y  Y 
i i
1  f  sxy %
sxy %  i 1
100%; y sxy %   5.16 
XY n
Si el área de los estratos está exenta de error, el error estándar en porcentaje,
evaluado con 1) (5.4) puede obtenerse como:

sV %  sq % 5.17 
y la del volumen de acuerdo con 2) (5.4) así:

sV %  sY % 5.18 .
Con base en las anteriores fórmulas se puede apreciar con cual de las ecuaciones, 1)
o 2) de (5.4) queda mejor estimado el volumen acudiendo al coeficiente de
correlación expresado en términos de los coeficientes de variación:
sxy %
 100%  5.19 
sx % s y %

 s %   s % ,
2 2
simplemente indagando en que caso q y lo cual ocurre cuando

 s %   s %
2 2
q y  0 , lo que puede escribirse de (5.15) como:

 s % 2   s % 2  200s %   s % 2  0  sx % 
2
 200sxy % 5.20  .
 x y xy
 y

Recomponiendo (5.19) con lo anterior se tiene:

 s %  sx % 
2 2
sx %
sxy % x  100   5.21 ,
200 200sx %s y % 2s y %

con lo cual los estimados 1) de (5.4 por medio de q y a j serán mas ajustados en los

casos en los que:

123
 sx %
  5.22 
2s y %

   
debido a que sq %  s y % , aunque q pueda resultar un poco sesgado, lo que en

la práctica parece carecer de importancia (Snedecor y Cochran, 1959). Según

(Loetsch et al, 1964) es posible eliminar tal sesgo cuando se evalúa el volumen total
por medio de la regresión:


V  N Y  b  X*  X    5.23 ,
en que b = coeficiente de regresión de y contra x, y X * 
area con bosque . Como se
N
necesita alguna información adicional en el área de estratos, el error estándar de V
podría ser toscamente asimilado al de q en % y calculado como:

 
 1  X *  X 2 
sV  Nsxy   n   5.24  ,
n 2 
   xi  X  
 i 1 
s la desviación estándar muestral de la línea de regresión, (Lema, 1995).
XY

Para evaluar el volumen con este criterio se ajusto y contra x, se obtuvo un b =

279.185, (t = 5.08),   0.93 . Para el ejemplo propuesto antes se obtuvo:

 
V  N Y  b  X *  X   66.139,35 m3 ,

y un Error estándar = 845.559, con lo cual (5.24) queda:

  400  
2

  13.67  
 1  35    12506, 076 ,
sV  35  824.574 
6 237.33 
 
 
con lo cual se obtiene un error de muestreo del 48.61%, mayor que por el estimador
de la razón.
5.3 Ejemplo de un proceso tipo Dawkins modificado.
El bosque de la población # 4 (Anexo 4.1) se dividió en 16 bloques, se separó el área
y sin bosque como muestra el Anexo 5.1, dentro de los cuales se sortearon al azar 6
124
de ellos y dos fajas por cada uno, con el fin de mostrar un proceso Dawkins
modificado para apreciar algunas variantes de cálculo, no más. Los resultados se

 
muestran en la Tabla 5.2 . La t para este caso tiene m n j  1 = 6 grados de libertad,

o sea 2,447.

Tabla 5.2 Datos para un proceso Dawkins para la población # 4

BLOQUE FAJA 1 FAJA 2 FAJA 1 FAJA 2 DIF ARE2 DIF VOL2
2 2
NUMERO
x1 x2 y1 y2
 x1 - x2   y1 - y2 
III 10,00 10,00 400,00 543,00 0,00 20.449,00
VI 10,00 10,00 980,00 1.104,00 0,00 15.376,00
7VII 10,00 10,00 191,00 458,00 0,00 71.289,00
X 10,00 10,00 199,00 716,00 0,00 267.289,00
XI 8,00 8,00 0,00 110,00 0,00 12.100,00
XII 4,00 4,00 0,00 0,00 0,00 0,00
SUMAS 52,00 52,00 1.770,00 2.931,00 386.503,0

Los cálculos son los siguientes

 1770  2931 
Y  12  391.75 m3
q    45.2
X   52  52   8.667 ha
 12 
 
 M 2  
2    y1 j  y2 j    1 
12  2
1  f  q j 1  q  386.503, 0 
    160 
sq2in 2
 2
  391, 752  2.33
n Y 144  
 
 

2.447 2.33
Con lo cual el error de muestreo es igual a Em  100%  8.26% entre
45.2
m3
cuyos límites encontramos el verdadero valor de esa población 42.53 = 42.35 .
ha

125
                                                  
                          
               
    
     
  
   
     
  
 
    
        
  
 
  
  
          
    
   
 
        
  

 
       
        
                
                
   
    
       
      
              
            
                  
                    
                       
   
          
   
      
         
                 
        
          
  
  
   
  
   
      
   
     
 
         
              
     
    
      
       
      
       
     
  
    
    
   
  
    
        
             
         
 
           
       

  
     

 

Figura 5.3 Población #4 muestreada con el proceso Dawkins.

De acuerdo con (Malleux, 1965) el proceso Dawkins al tener un número muy

pequeño de unidades, debe compensar esto con bajos valores del error estándar,
para lo cual sugiere bloques más pequeños, y ojalá en número superior a 25
bloques.
La Figura 5.3 exhibe dos estructuras de caminos y un río, desde los cuales sería
más fácil el acceso a las parcelas, ello explica las diferencias en la orientación de las
fajas. Los 16 bloques están reseñados en números romanos.

126
6. MUESTREOS DE ATRIBUTOS EN POBLACIONES Y DE REGENERACION
NATURAL.

La necesidad de cuantificar en un bosque ciertos atributos que no pueden ser

expresados numéricamente como árboles sanos y enfermos, población con bosque y
sin bosque, el cálculo de una especie salida de un inventario tradicional o la
supervivencia de plantaciones (plántulas vivas o muertas), es decir presencia o
ausencia de un atributo, amerita el uso de variables aleatorias que puedan tomar
solamente dos valores.
El muestreo de poblaciones con atributos cualitativos tiene como objeto la
determinación del número, proporción o porcentaje de individuos que poseen cierta
característica, por lo cual es importante el manejo de la distribución binomial,
repasada en el capítulo 1, bien con elementos simples o a través de unidades de
muestreo formadas por grupos, líneas, fajas o círculos de árboles asumidos como
conglomerados, aun en procesos como el estimador de la razón.
6.1 Repaso de la distribución binomial.
Se vio esta distribución como una suma de experimentos Bernoulli, aquellos que
consideran las dos opciones de una variable aleatoria que pueda tener o no una
característica determinada, lo cual se expresa con 1 ó 0, y las probabilidades
correspondientes con p y q así:
Variable aleatoria xi Suma
1 0
Probabilidad de xi p q p+q=1

Se recuerda que la media de la suma de experimentos de este tipo tiene como

expresión np y la varianza npq y además que la probabilidad de la distribución
tiene la forma:

n
p  xi   p  X  xi     p x q n  x  6.1
 x
n n!
En la cual:    . En este caso se considera como unidad de muestreo al
 x x ! n  x  !

127
mismo elemento natural sujeto de la investigación, por ejemplo un árbol.
Sí una población presenta N unidades, de las cuales M tienen la característica
esperada, la proporción de la población se define por p = M/N, como Y toma el valor
1 para esas M unidades en la población, entonces la media de ella coincide también
con p, con lo cual el problema de la estimación de la media se reduce a encontrar la
media de valores en que Y = 1. En grandes áreas se puede acudir al muestreo
conglomerado, a parcelas circulares, cuadradas, fajas, transectos y otros
6.2 Cálculo de la media en poblaciones y muestras de atributos.

A las unidades que posean una característica C se les dará un valor Yi  1 y a las

que carezcan de ella, una Yi  0 . Por esta razón se puede escribir:

N N

 Yi  Yi 2  Nc
i 1 i 1
 6.2 

en que N = número de unidades de población, N c , número de unidades de

población con una característica dada. De igual forma para la muestra:

n n

 y  y
i 1
i
i 1
2
i  nc  6.3

en ellas: n = número de unidades de muestra, nc , número de unidades muestreadas

con la característica C. Las sumatorias anteriores se obtienen ya que 1  1 . La

2

media de la población será entonces:

N

Y i
Nc
 i 1
   6.4  ,
N N
y para la muestra:
n

y i
nc
Y i 1
 p  6.5
n n ,
en la cual  y p representan la proporción de unidades con el atributo o
característica buscada c.

6.3 Cálculo de la varianza y error estándar cuadrado en poblaciones y muestras

128
de atributos La varianza puede obtenerse en la forma acostumbrada, por

transformaciones de Y  Y
i i
2
 N  , así:
N N

 Yi    Y  N 2
2 2
i
N   N 2
 2  i 1
 i 1
   1     6.6  .
N N N
En el caso de la muestra, en forma similar a lo anterior:
n N

 y  p y  np 2
2 2
i i
np  np 2 np 1  p  npq
s 
2 i 1
 i 1
    6.7  .
n 1 n 1 n 1 n 1 n 1
p

De donde se deriva el error estándar:

s 2p pq pq
s 2
   6.8
n 1 n
p
n
Esta última es en la práctica, la versión simplificada más reportada. Se nota que en
este proceso la media y la varianza no están afectadas ni por el tamaño de las
unidades de muestreo, ni por su distribución espacial.
6.4 Límites de confianza.
A menudo se calculan los límites de confianza de proporciones por medio del error
estándar y el valor de t como sí fuera una distribución normal. La fórmula de esta
aproximación, ya que el signo = podría ser <, o, >, es:

  p  t s p  p  1.96 s p  6.9 ,
con la cual los errores no son relevantes si el tamaño de la muestra es
suficientemente grande. Estos deben ser mayores, mientras más pequeña sea la
proporción, por problemas de asimetría, acá no discutidos.
En caso de una muestra pequeña: existen tablas con límites para valores esperados
como los de Fisher y Yates, citados por (Loetsch-Haller, 1963). Se puede además
asumir la población como normal, con el criterio empírico de que nPq > 15.
Además de lo anterior, para el cálculo de los límites de confianza se requiere una
probabilidad de selección igual, es decir que la proporción de la población no cambie
por la escogencia de una unidad, lo que se consigue sólo en muestreos con
reemplazamiento. En pequeñas muestras sin este se deberá acudir a la distribución
hipergeométrica. Si la población es grande y la muestra pequeña, no se necesita el

129
reemplazamiento. Como regla general las poblaciones forestales son grandes y las
muestras de suficiente tamaño, de tal forma que en la mayoría de los casos la
aproximación por la normal permite el cálculo de los límites de confianza en forma
aceptable.
6.5 Muestreo de grupos para proporciones, cluster o arracimados.
El que un elemento presente o no una característica, lo vuelve una unidad de
muestreo en una población binomial. Sin embargo, en algunos casos, las unidades
observadas no pueden constituirse en unidades de muestreo al mismo tiempo, como
por ejemplo, cuando se desea conocer la proporción de árboles de determinada
especie/ha dentro de un grupo, los cuales deberán ser seleccionados dentro de las
parcelas de muestreo que se constituyen en las unidades muestrales.
6.5.1 Conglomerados en líneas o fajas. Se puede dar con igual o desigual número
de unidades observables.
6.5.1.1 con desigual número de unidades observables. Asúmase que en m
conglomerados, líneas o fajas, se observa una característica como la supervivencia
de los árboles plantados, o una especie en particular. sean: N i ; número de árboles,

o elementos, encontrados en la línea, ni ; número de árboles, o elementos con una

característica dada, como los sobrevivientes en la i-ésima línea; pi  ni Ni ;

proporción de árboles supervivientes en la línea i. La estimación de la característica,
como la sobrevivencia, para toda el área plantada es:
m

n i
p i 1
m  6.10  ,
N
i 1
i

que constituye un estimador de razón, por lo cual su varianza no se estimará de la

teoría binomial. Cuando el número de líneas o fajas se asume como infinito, la
varianza estimada de p será:

1  m 2 m m

2  i    6.11 ,
s 2p  n  p N 2
 2 p ni Ni 
m  m  1 N  i 1
i
i 1 i 1 

130
 m
en que N   Ni m número promedio de elementos en las m muestras;
i 1

m
p   pi m
i 1

Figura 6.1 Elementos para el muestreo binomial en parcelas de longitudes

desiguales (transectos)

Ejemplo. Se tomaron 6 transectos o rumbos quebrados, para buscar la

supervivencia de eucaliptos luego de un incendio forestal, con los siguientes datos
dados en la Tabla 6.1

TABLA 6.1. Datos de supervivencia luego de un incendio forestal.

i Ni ni pi ni2 N i2
1 53 15 0.283 225 2809
2 34 9 0.265 81 1156
3 68 17 0.250 289 4624
4 27 6 0.222 36 729
5 34 10 0.294 100 1156
6 71 19 0.268 361 5041
sumas 287 75 1.852 1092 15515

131
en que: N  47.833; p  0.2636; n  12.667 ; y

2 
1.092,0  0, 2637 2 15.515,0  2  0, 2637  4.108,0   6.28849 E  05 ,
1
s 2p 
6  5  47.833
s p  0,00793
de donde , con lo cual los límites de confianza estarán entre 0,2841 y
0,2433.
6.5.1.2 Líneas o fajas con igual número de elementos. Si los conglomerados
poseen igual número de elementos (al decidir por ejemplo hacer los transectos hasta
muestrear siempre el mismo número de árboles, independiente de la longitud en que
este se consiga, porque el concepto de parcela deja de ser espacial) el análisis se
reduce a estimar el promedio de las proporciones y su varianza en la forma habitual.
Para poblaciones con un infinito número de líneas, su media y varianza se obtienen
como:
m

p i
1 m
p ; s 2p    pi  p   6.12  .
i 1 2

m m  m  1 i 1
6.5.2 Muestreo de grupos con número finito de muestras. Este proceso es muy
lógico cuando sólo es posible tener un número limitado de muestras por tiempos,
costos, economía, pero se debe dar como referente a un área o espacio determinado.
Para ello considérese: m; número de grupos o racimos, ni ; número de unidades en el

grupo i, nci ; número de individuos con la característica o atributos c en el grupo i.

Se puede encontrar el estimado p de la proporción en la población  en una de las

dos formas siguientes como:

m m

 nci pn i i
p i 1
m
; o p i 1
m  6.13 ,
n
i 1
i n
i 1
i

en la cual pi  nci ni = Número de individuos con característica en la parcela i,

dividida por el Número total de individuos en ella. En este caso el estimado del error

132
estándar se basa en el estimador de razón ya mencionado, y se puede obtener así:

1  f    
m 2
n ci  pni
s 2p  i 1
 6.14 
2
n m
i  m  1
cuya comprensión se facilita con el siguiente ejemplo tomado de (Lema, 1986) en
que se resalta la forma de disponer los datos para facilitar los cálculos
posteriores.
Se trata de un inventario con el objetivo de encontrar el grado de afección/ha en
una plantación de pino. Para ello se escogió el muestreo simple al azar en
parcelas de 1/20 de ha y se calificó cada árbol como sano o enfermo, con 0 y 1
respectivamente. Se ubicaron 10 parcelas en una plantación de 80 ha y se
obtuvo la información dada en el cuadro siguiente. Se dan dos formas de cálculo
de p y del error estándar, los cuales deberá consultar en caso de duda, de
acuerdo con la tabla 6.2
m m

 nci 548 pn i i

p i 1
m
  0.777; o p i 1
m
 0.777 .
n n
705
i i
i 1 i 1

Como conclusión queda que a menos que hubiera ocurrido un error de 1 en 20, la
media se encuentra entre 0.7989 y 0.7555 de los árboles/ha sufre la afección
estudiada suponiendo un tamaño adecuado de la muestra.

6.6 Tamaño de la muestra.

Se trabajará con el concepto ya analizado en la ecuación (2.6), para aplicarla al
muestreo binomial. En situaciones normales se desconoce p . En tales casos se
acostumbra usar un valor p = 0.5, con lo cual se tiene un tamaño de muestra
bastante conservador, mayor que el requerido, o se estima con un premuestreo
similar al ejemplo anterior reemplazando  2 por pq , así:

Npq Np 1  p 
n 2
  6.15 .
E E2
 N  1  pq  N  1  p 1  p 
4 4
Para decidir que tan bueno fue el tamaño de muestra, usado en el ejemplo anterior

133
con un error admisible del 15%, se acude a (6.15) con el error calculado como

E   0.15  0.777   0.11655 , con lo cual:

1600  0.777  1  0.777 

n  50.35 .
1599  0.003396  0.777 1  0.777 
Es decir que sólo con una muestra de 50 parcelas podríamos tener alguna certeza
del promedio encontrado.

TABLA 6.2. Elementos para un muestreo de atributos del ejemplo anterior.

parcela arb/par arb enfer pi  nci ni n 

2
ci  pni

1 80 62 0.775 0.026
2 94 73 0.777 0.001
3 73 51 0.699 32.730
4 62 49 0.790 0.682
5 65 51 0.785 0.245
6 81 64 0.790 1.130
7 58 48 0.828 8.608
8 70 53 0.757 1.932
9 62 51 0.823 7.986
10 60 46 0.767 0.384
sumas 705 548 53.725

El muestreo binomial es de gran utilidad también al estratificar con ayuda de

fotografías aéreas y en los procesos polifásicos.
6.7. Muestreo de la regeneración natural arbórea.
El muestreo de la regeneración de las plántulas arbóreas es un elemento de gran
importancia para el conocimiento de los bosques, bien sea por semillas, brotes,
renuevos en tocones, raíces gemíferas y otras. (Sachtler, 1976), esboza una serie de
elementos para tener en cuenta como el criterio de suficiencia, referido al futuro de
la especie o del rodal maderable, para lo cual se debe conocer el estado “normal” del
bosque, en el cual influyen varios factores como:

134
 a. La clasificación, agrupación en clases de acuerdo con algún criterio, por
ejemplo plántulas menores o iguales a una determinada altura y de ser
posible la edad para lograr la supervivencia. Las clases avanzadas, deben
también tipificarse de acuerdo con postulados silviculturales, en consonancia
con estrategias de crecimiento o clasificación ecológica, para decidir en que
instante se considera un renuevo definitivo.
b. Mortandad, número promedio de plántulas que no superarán la primera
clase.
c. Frecuencia de especies. Identificación por medio de muestreos diagnósticos
de la mejor manera posible, la distribución espacial de la regeneración, con
énfasis en los posibles renuevos, de modo que conduzca a posibles
clasificaciones de acuerdo a la cantidad como rodales en regeneración,
recuperación o irrecuperables, que requiere otros criterios como: definición de
un índice de heterogeneidad, determinación de diagramas de parcelas cero;
con superficies relativas u otro con superficies mínimas absolutas en relación
con un espacio óptimo por árbol maderable logrado, o muchas otras
propuestas.
d. Por último se requiere la distribución especial de los renuevos y la estructura
de la especie estudiada o del rodal maderable según diámetros a la altura del
pecho y área basal óptima. En general esta propuesta es para bosques en
manejo que proporcione una información detallada de las necesidades y
medidas de mejoramiento, bien sea tipo plantaciones o en bosques tropicales.
El número de plantas por unidad de superficie y la distribución espacial de la
regeneración debe compararse con normas espaciales, bien sea por medio de la
experiencia o por investigaciones antecedentes al respecto. Como siempre es
necesario identificar entre el alto número de renuevos de diferentes especies la
población de interés, bien concebida de acuerdo con el propósito de manejo. Para
ello son adecuados dos componentes: el número de plántulas por unidad de

superficie   y la distribución espacial como una indicación del grado de

heterogeneidad, lo cual es posible en parcelas de tamaño fijo, o por medio de

distancias.

135
Existen muchas propuestas al respecto para su evaluación, de las cuales se dejarán
de lado las más conocidas por los silvicultores, como las de (Dawkins, 1958),
estudiables en otros contextos como los de la silvicultura, para concentrarnos en los
métodos por distancias.
6.7.1 Características de los diferentes esquemas de distribución espacial por
superficie. Con los términos de homogeneidad, si los individuos ocupan áreas
similares sobre el terreno y, heterogeneidad si estas varían, es posible definir las
condiciones que tipifican el área ocupada por los individuos con respecto a la
aglomeración de ellos y a los espacios vacíos. Así se hablará de:
a. absolutamente homogénea a una distribución sistemática ininterrumpida de
los individuos, en distribuciones cuadradas o rectangulares,
b. relativa homogéneo, cuando la distribución es al azar restringida, bloques
uniformes en los cuales se distribuye al azar una cantidad constante de
individuos, tanto más homogénea cuanto más pequeños sean los bloques y,
c. absolutamente al azar, que representa el límite entre la homogeneidad y la
heterogeneidad, según muchos autores, la condición deseable para los
bosques tropicales.
Se han hecho varios intentos para producir índices al respecto, entre los cuales el
más usado es el índice de aglomeración:

 2 s2
IA   q  6.16 
 Y
medido en parcelas de superficie constante, lo cual produce algunas inconsistencias
por depender del tamaño de las parcelas, especialmente cuando estas son más
pequeñas que las extensión de la aglomeración de los individuos.
En casos de distribuciones al azar, se alcanzan distribuciones tipo Poisson en las
cuales la media y la varianza coinciden en cuyo caso: q = 1, por debajo de este valor
se tiende a la homogeneidad, absoluta cuando es cero y por encima de él a altas
condiciones de heterogeneidad. Figura 6.2.

136
 Figura 6.2 Algunas distribuciones de Cox: a) Sistemática con fallas, b) Restringida al azar, c)
Ligeramente aglomerada, d) Aglomeración en grupos pequeños, e) Aglomeración con grandes
vacíos grandes.

6.7.2 Parcelas de muestreo con tamaño fijo. Se cuentan los individuos de una
población predefinida, dando el valor estimado de  , procedimiento muy laborioso
que ha dado origen al método de cuadrantes poblados, muy estudiados en la
silvicultura, con unas normas muy difíciles de satisfacer a veces, por lo cual se
acude a otras propuestas como las de distancias y las de parcelas cero.
6.7.2.1 Número de plántulas por distancias entre vecinos. El pionero de este
tipo de muestreos fue Köenig en 1865, citado por (Loetsch, et al, 1973). Las primeras
experiencias se hicieron con respecto al primero, segundo, tercer vecino próximo a
un árbol, para tratar de encontrar el número promedio de ellos por unidad de
superficie, con resultados casi siempre sesgados, sobre todo en poblaciones
heterogéneas al ignorar los claros. El primero en investigarlo rigurosamente fue Cox,
citado por (Loetsch et al, 1973), al darse cuenta que el sesgo se incrementaba con el
arracimamiento de los árboles en cluster. Este autor hizo numerosas simulaciones
con poblaciones desde estrictamente sistemáticas, homogéneas, hasta
extremadamente arracimadas, a las cuales aplicó especialmente dos propuestas de
métodos de distancia que llamo; “el método ordenado” y “el método de cuadrantes”.
Figura 6.3, a) y b).
137
 Figura 6.3 a) Método de distancia ordenada. b) Distancias en cuadrantes

6.7.2.1.1 Método ordenado de distancias para cálculo de número de plántulas

por ha. Acude a la media harmonica de las distancias del sexto individuo, pues por
simulación encontró que este producía la estimación con el menor sesgo, no sólo
para distribuciones sistemáticas y aleatorias si no para distribuciones arracimadas,
así:
2
 
N arb  n 
 c  n   6.17  ,
 1 
 
ha
i 1 r6 i


en que c es calculado para estructuras de Poisson como:

 j  1! 2 j 1 
4

c 10000  6.18 .
  2 j  2 !
2

En el caso de j  6 ; c  16730.03 , n, número de parcelas medidas, r6i , distancia al

sexto vecino más cercano en orden creciente, Figura 6.3, a). Este método es bueno
para estructuras Poisson, pero estas no son tan frecuentes. Por ello, Cox trabajó el
método de los cuadrantes.
6.7.2.1.2 Método de distancias por cuadrantes para cálculo de número de
plántulas por ha. Permite un uso más amplio que el anterior. Encontró que la
distancia al tercer árbol producía los mejores estimadores y era aplicable a
distribuciones distintas a la Poisson. En este en cada cuadrante se lee r3i , distancia

138
al tercer vecino más cercano en orden creciente, Figura 6.3 b) y con ello:

  
2

   
N arb   n  
 c 16  n  4  ; c  27.84  6.19 
ha 
   1  
  i 1  k 1 r3ki   
 
Pero, no satisfechas muchas de las inquietudes iniciales se acudió a otras
propuestas.
6.7.3 Métodos de distancia y parcelas cero. Delineados inicialmente en 1971 por
Cox, citado por (Loetsch et al, 1973 y Sachtler, 1976) en un intento por superar las
rigideces del tamaño fijo e incorporar la heterogeneidad como prueba tipo en otras
propuestas de distancias muy usadas en ecología. Se dividen en dos casos cuando
 es o no conocido.
6.7.3.1 Métodos de parcelas cero cuando  es conocido. Si se mide desde los
puntos de muestreo, ya sea en forma sistemática o al azar, las distancias a la
primera o segunda planta de interés y se convierten estas en radios de círculos de
diferentes tamaños, se obtienen las llamadas parcelas cero, círculos sin renuevos,
Figura 6.4.

Figura 6.4 Muestreo de parcelas cero con distribución sistemática de los puntos.

Cuando se denota el porcentaje de parcelas cero como p  0  , lo siguiente es

aplicable para una distribución tipo Poisson:

139
  x e 
p  X  x   6.20  ,
x!
convertible a:

p  0   100 e m  6.21
donde m, es una medida para el tamaño variable de parcelas cero; por ejemplo el
número de individuos que, basados en el promedio de la población, teóricamente
debería radicarse en tal parcela. En forma logarítmica base 10 se llega a:

log p  0   2  0.4343 m  6.22

en que 0.4343 es log e en base 10, m   r 2 , r, el radio variable de las parcelas cero

y  número promedio de individuos por m 2 , salido de parcelas experimentales,

observaciones, etc. Por lo tanto (6.) se puede reescribir como:

log p  0   2  0.4343  r 2  6.23

Un diagrama de parcelas cero, Figura 6.5 representa los varios porcentajes de estas
en versión logarítmica graficados sobre el tamaño de parcelas cero ya definido, en
magnitud relativa por la multiplicación por  . Independientemente de los diferentes
valores alcanzados por este en la población, hay una sola línea que caracteriza la
distribución Poisson y bastan sólo dos puntos para construirla, pues, si:
1) m  0, p  0   100% y log p  0   2; 2) m  1, p  0   36.8% y log p  0   1.57 .

Para el espacio relativo medio en m 2 necesarios para una planta se obtiene entonces
1
de acuerdo con lo anterior:  r 2  , y m     1 . El par cartesiano (1, log

p(0)=1.57) tiene la particular significación de valor de control. Otro valor del tamaño
de las parcelas donde apenas el 5% están vacías puede también usarse al respecto.
A través de la ecuación básica se obtiene:
2  log  5
m  2.996  3 cuyo log p  0   0.699 , que permite encontrar la línea recta
0.4343
para la distribución de Poisson.
6.7.3.2 Indice de heterogeneidad de Cox. Cox desarrolló su índice de
heterogeneidad I c mediante el diagrama de parcelas cero, al definirlo como:

140
 Ic  a b k  6.24
en el cual a, números de la ordenada p  0  dividido por 100. (Para m = 1, a = 0.368

si la estructura es Poisson), b, el valor de m en la abscisa correspondiente al valor de

log 5 en la ordenada (0.70), si la estructura es Poisson, b=2.996; k, constante que
asegura que I c asume el valor de 1 en el caso de se diera una estructura Poisson,

entonces:
1 1
k   0.907  6.25
ab 0.368  2.996

Figura 6.5 Construcción del índice de heterogeneidad relativa de Cox con escala relativa.

El I c  0 para distribuciones sistemáticas, es igual a 1 con distribuciones aleatorias

y a mayores valores que 1, mayor aglomeración en grupos. Cox obtuvo valores hasta
de 10 para sus pruebas simuladas y habla arracimamientos duros para I c  5 .

Para verificar una población con una muestra dada, se construye una “tabla de
frecuencias acumulativas decrecientes” , como las mostradas en la figura 6.4 al ser
llevadas al diagrama de parcelas cero (DPC), para lo cual deben cumplirse algunos
requisitos:  debe ser obtenido bien sea con base en una plantación muestra o

141
planificada o como el número de árboles deseado por unidad de superficie, teniendo
en cuenta la mortalidad esperada. De igual manera debe suponerse la distribución
espacial esperada, varias versiones de condiciones de prueba, por ejemplo algunos
de los varios tipos de distribuciones definidas por I c . En otras pruebas Cox, propone

definir dos condiciones  x, y  derivadas de la experiencia o de un estudio científico

con base en parcelas experimentales o un muestreo diagnóstico de condiciones

parecidas a las deseadas.
La primera condición podría interpretarse como que, para un tamaño de m  1 no se
exceda del x%, por ejemplo un 36.78%. La segunda, que el porcentaje de parcelas
cero para las cuales m  3 no exceda un y%, por ejemplo 5%. Con estas se produce
la recta de prueba. Si la distribución decreciente de frecuencias acumuladas se sitúa
a la izquierda de la recta se satisfacen las condiciones, de lo contrario no. Por

ejemplo en la gráfica las parcelas hipotéticas    las cumplen, pero las etiqueteadas

con  no. En este caso se puede ver que m para el 5% es 6, en cuyo caso

I c  0.3678  6  0.907  2.01

6.7.3.3 DPC cuando  es desconocido. Para otro tipo de decisiones cuando es
difícil obtener un número promedio de plántulas por ha libre de sesgos, se puede
acudir al método de los cuadrantes con base en el tercer árbol, sobre todo en los
trópicos donde se tiende al arracimamiento, aunque el trabajo resulta muy arduo
pudiendo acudir mejor a las parcelas cero.
(Loetsch, et al, 1973) proponen conseguir unos rodales localizados lo más
cercanamente posible, o sea creciendo bajo las mismas condiciones que puedan ser
considerados como un muestreo secuencial cronológico del mismo rodal. Se define
una condición para los renuevos, por ejemplo que excedan 1.3 m de altura hasta
DAP  10 cm , libres de defectos, plagas y enfermedades. Se escoge un número de
puntos muestrales por rodal y se agrupan los radios de las parcelas cero en clases
para ser sustituidas en  r 2 . Se fija el total de radios medidos a 100 para obtener el
porcentaje de las clases individuales en la distribución acumulativa decreciente de
frecuencias y estos datos se llevan al DPC. Contrario al muestreo anterior las

142
abscisas ya no están en valor relativo, y la prueba de Poisson ya no es posible, pero
si una verificación de situaciones de regeneración con base en un óptimo de   op .

Por ejemplo asuma que se hubieran logrado tres rodales en las condiciones anotadas
al principio y que el rodal I hubiera dado 149 árboles/ha con DAP  20 cm , de los
cuales 82 fueran de una especie de interés. Entonces se supone un ideal de 120
árboles/ha para el aprovechamiento. Se supone una segunda condición: Que estos
árboles no estén distribuidos más irregularmente que una estructura Poisson.
Entonces la línea de control para un op  120 se obtiene de dos puntos: el primero,

definido por el espacio medio ocupado por un árbol adulto, x  10000 /120  83.3 m2 .

La correspondiente ordenada y, es y  log36.78  1.566 . El triple de esta área, similar

al m  3 del caso anterior sería 250, el cual se ubica sobre p  0   5% . Figura 6.5.

Tomando en cuenta la mortandad natural de los renuevos se agrega otra línea de

control para un op  250 arb / ha , tres veces lo propuesto en el área inicial y a partir

de acá se haría el análisis pertinente de lo sucedido en los rodales. Por ejemplo como
en el caso anterior suponga que la distribución decreciente marcada con (+) y la
marcada con   se ubican en las posiciones mostradas. En este caso sólo las (+)

cumplen las condiciones anotadas.

Figura 6.6 Diagrama de parcelas cero cuando  es desconocido.

143
144
7. MUESTREOS CON PROBABILIDADES VARIABLES

Al estudiar los procesos de estratificación, apareció el criterio de muestrear más

intensamente una parte de la población que otra, bien fuera por tamaño del área,
bien por mayor variabilidad de unas partes sobre otras, pero con el concepto
tradicional de parcelas de igual forma y tamaño. Al aparecer los métodos PPS, para
los inventarios forestales se han dado otras opciones, en las cuales la probabilidad
de selección depende del tamaño del elemento a muestrear, asegurando una
adecuada representación en la muestra de los mayores componentes de una
población y eliminando virtualmente el concepto de parcelas monosuperficiales,
usadas como tales en la mayoría de los muestreos, para transformarlas en un
punto (Lema, 1996). Se analizarán algunas alternativas de estos tipos de muestreo,
de acuerdo con la definición dada por Grossenbaugh citado por (Husch, 1982),
como el Muestreo enlistado, en el cual la probabilidad de selección de un elemento
de una lista se asocia con una cantidad, generalmente el número de individuos que
la constituya, o su área; el llamado PPS, muestreo de parcelas proporcionales al
tamaño que por ser el más conocido se ha prestado a confusiones que llevan a
identificar todos estos procesos con este nombre por ir desde procedimientos de
conteo simple que se traducen en información instantánea hasta procesos más
complicados estadísticamente; y los llamados muestreos de probabilidad
proporcionales a la predicción o 3P, (Lema, 1986, 1996).
7.1 Muestreo enlistado para la selección muestral PPS.
Cuando los elementos individuales de una población o muestra, se pueden agrupar
en listas de diferentes tamaños, o cuando los elementos se agrupan con diferentes
frecuencias o con cualquier criterio de similitud y este es destacable, por ejemplo
rodales en los cuales se conocen sus diferencias en área o densidad, por ejemplo, es
aplicable este procedimiento. Consiste en hacer una lista de los grupos ordenada de
acuerdo con un criterio justificable, junto con una medida asociable al parámetro
por evaluar, por ejemplo el área, número de elementos agrupables, densidades, etc.
Una vez definido el tamaño muestral se procede a muestreos con reemplazamiento

137
de modo que la selección de las muestras se ligue a la medida asociada, por
ejemplo, su frecuencia acumulativa, cambiando las probabilidades de selección,
exploradas en una tabla de números aleatorios, de acuerdo con su dimensión. Este
acuerdo con su dimensión. Este muestreo es muy aplicable a censos catastrales por
número de propiedades/individuo, áreas de lotes, etc. Como ejemplo se presenta la
población # 2 que fue dividida por cuestiones de manejo en 19 rodales, Figura 7.1.

R2 R3
A B C D
1 163 30 191 0 191 0 140 23 250 0 133 44 125 0 184 0 148 15 206 0
R1 2 155 59 133 15 170 38 163 125 206 0 176 110 243 81 265 15 170 0 110 125
3 221 30 206 0 170 0 194 38 214 15 133 110 103 8 222 59 184 103 206 148 I
4 206 38 140 66 155 66 148 38 191 38 148 0 280 30 170 44 148 81 199 176
5 125 38 103 59 148 118 191 0 184 0 163 89 163 66 140 110 110 191 148 184
6 280 0 309 0 271 8 288 89 163 74 324 103 346 176 125 148 184 214 214 250 R7
R4 7 316 8 250 38 169 89 339 155 346 191 339 133 288 191 258 169 303 250 222 176
8 265 89 346 66 331 170 265 148 258 133 214 110 361 206 324 229 229 346 309 243 II
9 280 118 354 199 309 214 375 235 125 89 398 155 346 89 383 176 221 339 250 221
10 125 155 176 103 331 199 346 148 383 301 206 184 316 206 331 375 339 235 199 295
R8 11 346 206 413 96 316 235 273 148 221 133 441 110 413 148 316 221 214 221 243 301
12 280 118 265 133 199 140 280 176 176 163 229 74 354 110 235 163 184 229 229 258 R11
13 339 176 398 74 250 280 339 133 273 243 316 191 325 303 250 206 184 96 324 316 III
14 346 250 346 273 258 155 295 199 288 125 288 265 368 155 206 118 368 199 265 324
R12 15 163 155 273 191 81 125 214 110 206 184 243 170 214 89 258 214 390 148 118 191 R15
16 273 89 163 103 148 125 163 155 103 199 214 125 184 265 155 155 221 118 229 199
17 133 23 184 0 191 51 148 66 199 110 191 30 191 23 184 51 140 15 221 110
18 163 44 250 51 243 38 125 44 176 0 206 0 191 23 163 0 221 44 243 133 IV
R16 19 96 38 206 0 199 0 199 0 229 8 148 8 155 23 155 125 118 0 199 89 R19
20 235 15 229 74 221 38 163 0 118 15 191 0 59 0 235 0 140 23 148 23
a t b s c r d q e p f o g n h m i l j k
R17 R18

Figura 7.1 Población # 2 rodalizada para un muestreo enlistado

Se hará la evaluación del volumen/ha de acuerdo con el área de cada rodal, con la
esperanza de que los de mayor área queden mejor representados, pero con el
criterio subyacente de que la unidad de muestreo será el rodal. Para ello se asociará
a cada uno de ellos la dimensión de su área, de acuerdo con la Tabla 7.1, la cual
muestra el proceso de selección seguido. Debajo del título PARC se colocan
asteríscos de acuerdo con la escogencia del rodal de una tabla de números
aleatorios, luego de lo cual se escogieron los volúmenes dentro de ellos, también al
azar. El muestreo se trata como un estimador de la razón, por ser asumida como
unidad muestral el rodal, los cuales quedan con desigual tamaño muestral. Los
cálculos se basan en las siguientes fórmulas ya manejadas desde el capítulo 1:

138
 1 n yi 1 n
r    ri
n i 1 xi n i 1
 7.1 ,

en la cual: n, número de rodales seleccionados (13 en este caso), en muestreos con

repetición, yi , párametro objeto de la medición, en este caso volumen, xi , área en la

cual se midió el párametro objeto de la medición, r , promedio de Y por unidad de

X, ri  yi xi , (volumen promedio por hectárea).

Tabla 7.1 Muestreo enlistado para la población # 2 después de rodalizada.

RODAL AREA POR AREA NUMERO PARCELAS VOLUMENES RAZON RAZON

NUMERO RODAL ACUMULADA ASOCIADO SELECC 1 2 3 4 5 i CUADRADA
1 26 26 1-26 3 191 59 206 152,00 23.104,00
2 18 44 27-44 2 148 0 74,00 5.476,00
3 27 71 45-71 0
4 34 105 72-105 0
5 40 145 106-145 5 191 280 148 214 66 179,80 32.328,04
6 10 155 146-155 0
7 26 181 156-181 4 221 184 250 148 200,75 40.300,56
8 12 193 182-193 0
9 15 208 194-208 0
10 22 230 209-230 2 176 141 158,50 25.122,25
11 23 253 231-253 1 258 258,00 66.564,00
12 28 281 254-281 4 191 273 0 133 149,25 22.275,56
13 15 296 282-296 2 199 199 199,00 39.601,00
14 23 319 297-319 2 325 155 240,00 57.600,00
15 12 331 320-331 1 148 148,00 21.904,00
16 15 346 332-346 0
17 18 364 347-364 1 220 220,00 48.400,00
18 16 380 365-380 2 23 0 11,50 132,25
19 20 400 381-400 3 133 243 140 172,00 29.584,00
TOTALES 400 32 2.162,80 412.391,67

La varianza de r, que conduce al error standard cuadrático, puede estimarse asi:

2
 n 
  ri 
ri   i 1 
n

 2

n
sr2  i 1  7.2 
n  n  1
en un manejo no muy ortodoxo estadísticamente hablando. El estimado del
volumen total Y, y su varianza, para la población se obtiene por:

Yˆ  rX ; sY2ˆ  sr2 X 2  7.3 ,

139
en que X, como resulta obvio, será el área total. De acuerdo con lo anterior para
muestreo es muy aplicable a censos catastrales por número de
propiedades/individuo, áreas de lotes, etc. Como ejemplo se presenta en el

propuesto:
2.162,802
3 412.391, 67 
2.162,80 m 13
r  166,37 ; sr2   336,98 ,
13 ha 13 12
lo que equivaldría a un error de muestreo del 24%.

7.2 Muestreos PPS.

Las técnicas de muestreo por puntos, o censos angulares de Bitterlich, pueden
conducir a diferentes métodos, desde el simple hecho de contar, que se traduce en
información inmediata, hasta procedimientos a los cuales se les aumenta su nivel
de refinamiento técnico y estadístico, dependiendo de la información y el grado de
precisión que se busca; midiendo otros parámetros silviculturales, del grado de
divisiones de la muestra, sea por especies o clases diamétricas combinadas.
7.2.1 Estimador por hectárea en cada punto. La fórmula resumen para obtener
los estimados por hectárea para cada característica del árbol, en cada punto se
puede escribir como:
k
F F F F
Yi  Y1  Y2   Yk   Y j  7.4  ,
g1 g2 gk j 1 g j

fórmula equivalente a:
k
Yi  Ft1Y1  Ft2 Y2   Ftk Yk   Ft j Y j  7.5 ,
j 1

en las cuales:
Yi , promedio por hectárea en el centro punto i, para una característica buscada Y.
F = Factor de área basal, obtenible con relascopio, varilla o prisma.
Ft j , Factor de árbol j-ésimo en el centro punto de muestreo i.

Y j , característica buscada del árbol j (área basal, volumen, altura, etc.)

g j , área basal del árbol j.

i, índice de 1...n, número de centro-puntos censados.

140
j, índice de 1...k, k, número de árboles calificados en el punto i. Por ejemplo si el
valor buscado es el área basal/ha: G, entonces

F F F k
m2
Yi  g1  g 2   g k   F  kF
g1 g2 gk j 1 ha
El valor estimado del parámetro por medir se obtiene por:
n

Y i
Y  i 1
 7.6  .
n
7.2.2 Area basal sin y con agrupamiento en clases diamétricas. El área basal
obtenida con el relascopio, varilla o prisma, se puede calcular por mero conteo así:

ki
Gi   Fi kij  ki Fi  7.7  .
j 1

ki número de árboles que califican en el punto censal i. El área basal promedio será
entonces:
n

G i
G i 1
 7.8
n
Los datos de los censos puede agruparse en c clases para encontrar los parámetros
estadísticos correspondientes, como se muestra en el ejemplo, tabla 7.2 que trata de
obtener el estimado de área basal por hectárea G de un bosque de P. patula, con
relascopio usando la franja de unos, F =1, al agruparlos en 11 clases.
2
 c 
  niYi 
n Y 2   i 1 
c

c  i i c

 niYi i 1
n i
G i 1
; s 2
c
i 1
 7.9 
 n 1
n
i
i 1

En el ejemplo G  1062 72 , s 2  7, 2183 . Se, muestra la disposición de los datos. Se

anota que la segunda columna usualmente puede diferir de la primera, cuando
entran árboles dudosos, los cuales tendrán su respectivo conteo. Acá se evitó esta
situación para abreviar los cálculos y porque el interés era mostrar un

141
procedimiento.

Tabla 7.2. Inventario de área basal por hectárea (G)

¡Error! Marcador ni  # de mues ni yi

Yi  G ni yi2
no definido.# cens
arboles/cens
8 8 1 8 64
11 11 2 22 242
12 12 2 24 288
13 13 9 117 1521
14 14 18 252 3528
15 15 21 315 4725
16 16 11 176 2816
17 17 4 68 1156
18 18 2 36 648
20 20 1 20 400
24 24 1 24 576
72 1062 15964

7.3 Inventario por especies, diámetro, altura comercial o número de trozas.

La Tabla 7.3 presenta un modelo de formulario para un muestreo por puntos en el

que los árboles se anotan en clases diamétricas, para dos especies P. patula y
Cupresus lusitanica, y una área mezclada de ellas. Se trabajó con relascopio usando

un F  1m2 ha . Propicia los datos necesarios de campo y de cómputo para calcular

los volúmenes por hectárea, número de árboles por hectárea y por especies, en cada
clase diamétrica, y otros cálculos. La columna 1 se usa para llevar el conteo de los
puntos censados, marcando con un círculo o un asterisco, como en el caso
mostrado, cada que termina el punto censado. Este dato es básico para el cálculo
de los promedios, ya que la información tomada en cada punto censal recorre varias
clases diamétricas. Por ejemplo, la clase 25 se compone de 7 árboles de ciprés , 6 de
pátula y 7 mezclados, encontrados en 5 puntos. La columna 2 lleva las marcas de

142
clase del "d" escogidas con cualquiera de los criterios de la estadística, (Lema,
1996). En este caso se tomaron clases de 5 cm. Los árboles contabilizados en cada
clase se apuntan siguiendo algún método como el de puntos y rayas o como lo
muestra la(s) columna(s) 5. El total se apunta en las columnas 6 y 7.

7.3.1 Factores de árbol Ft y factores de volumen FV . Los factores de árbol

(columna 3) y de volumen (columna 4) se calculan para cada clase diamétrica. Por

ejemplo, para la clase diamétrica 30, el factor de árbol se obtuvo de:
F
Ft  ; FV  Vc  Ft  7.10 
gc
1
como Ft   14.15 . El factor de volumen (7.10) se calcula como el
  0.302
4
producto del volumen del árbol individual, generalmente extraído de una ecuación
de volúmenes, no reseñada acá, incorporada la relación diámetro altura, como en el
presente caso por el factor de árbol.
7.3.2 Volumen total para cada clase y especie. El volumen para cada clase y
especie, se puede anotar también en la(s) columna(s) 5. Acá, se omiten los detalles y
se dan los cálculos al final. En la(s) columna(s) 6, se anota(n) la suma de los
volúmenes encontrados por clase y los estimados por hectárea. Por ejemplo para la
clase 25, el volumen total es la suma de 7 cipreses, 6 pátulas y 7 entremezclados o
sea 9.14 x 20 = 182.80, y el total por hectárea se obtiene al dividir por el número de
puntos visitados; 182.80/5 = 36.56 m3/ha.
7.3.3 Número de árboles total y por hectárea. Se anotan en la(s) columna(s) 7. El
número total de árboles por clase se obtiene del producto del factor de árbol por
número de árboles calificados. Por ejemplo en la clase diamétrica 25, se obtuvo por
20 árboles que calificaron x 20.37 = 407.44, y el equivalente por hectárea se obtuvo
al dividir el anterior por 5 puntos censados.
7.3.4 Totales y promedios. El área basal por hectárea G se obtiene multiplicando
el número total de árboles calificados por el factor de área basal F utilizado, sobre el
número de puntos censados: 126/5 = 25.2 m 2 /ha, y así también por especie.

143
 TABLA 7.3 FORMULARIO Y EJEMPLO DE MUESTREO PPS POR DIAMETROS Y ESPECIES

LUGAR:Piedras Blancas CONTEO DE PUNTOS, n = 5 F= 1 m2/ha

1 2 3 4 5 6 7
n CLAS FACTORRDEDE E S P E C I E S VOL VOL NUMERO DE
DEARB
ARB

1* DIAM ARB VOL CIPR PATU CIPPAT TOTAL /Ha TOTAL /Ha

2* 15 56,588 5,91 5 2 1 47,28 9,46 452,71 90,54

3* 20 31,831 8,21 5 6 5 131,36 26,27 509,29 101,86

4* 25 20,372 9,14 7 6 7 182,80 36,56 407,44 81,49

5* 30 14,147 9,67 8 8 8 232,08 46,42 339,53 67,91

6 35 10,394 9,73 3 11 8 214,06 42,81 228,66 45,73

7 40 7,9577 9,82 3 6 4 127,66 25,53 103,45 20,69

8 45 6,2876 9,85 4 3 3 98,50 19,70 62,88 12,58

9 50 5,0929 10,34 3 0 1 41,36 8,27 20,37 4,07

10 55 4,209 10,42 3 0 2 52,10 10,42 21,05 4,21

11 60 3,5368 10,68 1 1 1 32,04 6,41 10,61 2,12

12 65 3,0136 11,02 1 0 0 11,02 2,20 3,01 0,60

13 70 2,5984 11,09

14 75 2,2635 11,33

15 80 1,9894 12,2

VOLUMEN TOTAL 393,97 399,46 376,83 1.170,26 ***

/Ha 78,79 79,89 75,37 234,05 ***
NUM DE ARB TOTAL 812,54 724,05 622,41 *** 2.159,00
/Ha 162,51 144,81 124,48 *** 413,80
AREA BASAL TOTAL 43,00 43,00 40,00 126,00 ***
/Ha 8,60 8,60 8,00 25,20 ***
/ARB 0,05 0,06 0,06 0,06
DIA ARB AREA BAS
BAS PR
PRO 0,26 0,28 0,29 0,27
43 43 40

El área basal media por árbol, se obtiene dividiendo el área basal por hectárea por
el número de árboles por hectárea así, para el ciprés 8.6/162.51 = 0.0529. El
diámetro del árbol de área basal promedia se obtiene así:

144
 2
g 0.0529 m
dg   arb  0.2596 m  25.96 cm
0.7854 0.7854
En la parte final del formulario se anotan para confirmación el volumen total y por
hectárea, debajo de las columnas por especie, que deben coincidir con la suma de
los valores de totales de la columna 6, lo mismo el número de árboles por hectárea y
totales, similar al anterior con la columna 7.

7.4 Inventario con doble muestreo.

Como la medición de árboles calificados puede resultar a veces similar a un proceso
normal, como cuando F es muy pequeño, con lo cual se pierden algunas de las
ventajas del PPS, resultando detallada y exigente de más tiempo y costos, se puede
acudir al doble muestreo en el cual, de una gran cantidad de parcelas visitadas,
apenas se mide una pequeña porción de la muestra, para las determinaciones del
volumen. El volumen por hectárea de toda el área investigada se obtiene así:

V Varbol medio
 Gf  HGf  7.11 ,
ha g arbol medio

en que f es el factor mórfico y H la altura del árbol medio, o la altura media de

Hirata, o la promedia de los rodales. La relación se obtiene de la muestra de árboles
medidos, y G es el promedio de la muestra grande (árboles contados más árboles
medidos). Asumiendo que se miden árboles en m puntos y que se hace un censo en
n parcelas, entonces el volumen promedio por hectárea puede obtenerse así:
m ki
 Vk 
  g
n

V i 1
 f
j 1  k ij
k i
 m
F i 1
 7.12  ,
k
ha n
i
i 1

que podría también escribirse como:

m ki
 Vk 
 F  g
n m

V i 1 j 1

 k ij  ki F Vi
 m
F i 1
 i 1
m
k  7.13
k k
ha n
i i
i 1 i 1

145
En las ecuaciones anteriores puede observarse que los productos F(v/g), son
simplemente el producto FV
t equivalentes a sumas de factores de volumen. El

ejemplo siguiente aclara los conceptos enunciados. Se hizo el censo en 15 parcelas,

de las cuales se midieron m = 5, con un F =1, Tabla 7.4, número total de parcelas
visitadas n = 15.

PARCELA ARBOLES ARBOLES FACTORES DE SUMA DE

n CALIFIC. MEDIDOS VOLUMEN Fv
1 5
2 8
3 4
4 6 1,98 1,74 2,01 2,05 1,8 2,01 11,59
5 8
6 8
7 5 3,24 2,32 5,28 2,09 2,03 14,96
8 3
9 2
10 8 3,31 2,38 3,54 2,01 2,01 2,11 2,09 5,31 22,76
11 10
12 3 2,26 3,31 5,02 10,59
13 6
14 6
15 5 2,32 5,23 2,03 1,71 1,78 13,07
TOTALES 60 27 72,97

72.97  60  27   60  27  1 m2  5.8 m2 ha
V ha    2.7  5.8  15.66 m3 ha; G ha 
27 15 15 ha
El inventario anterior es conveniente cuando el propósito es obtener información
sobre el bosque general, sin separar especies.

7.5 Consideraciones de orden práctico.

Como puede observarse son muchas posibilidades de implementar diversas
propuestas de muestreo con base en los criterios del PPS, enfatizando siempre que
a costa de una rebaja, casi siempre insustancial en la precisión, se tiene ganancias
de tiempo y costos. El muestreo PPS puede tener carácter diagnóstico, dada su
rusticidad, pero puede refinarse y ser una alternativa eficiente ante la carencia de
recursos económicos, sin perder de punto de vista la precisión, que a veces depende
más de un trabajo serio en el campo que de los conceptos en si. También se vera su

146
utilidad práctica inmediata al abordar el muestreo bietápico.
7.6 Muestreo 3-P.
Para cierto tipo de muestreos como la extracción de árboles con ciertas
características (ejemplo destinados a la venta), marcados en el campo, la necesidad
de hacer una lista antes del muestreo actúa como un freno en muchas aplicaciones
forestales, especialmente si los árboles individuales son potencialmente listables.
(Grossenbaugh, 1963), con base en los elementos del PPS adopta como criterio de
selección muestral el mismo estimado del volumen en el sitio de recolección de la
muestra, de donde surge el nombre del muestreo que se interpreta como "Muestreo
con probabilidad proporcional a la predicción", muy utilizado para la venta de
árboles en pie, en que cada árbol de la población (todos los seleccionados y
marcados para la venta) son evaluados en primera instancia con una estimación
burda de su volumen, bien sea una tasación visual, o la aplicación de un método
simple de cubicación como una tabla de una entrada, Pressler o la altura mórfica
relativa, y en una segunda instancia se selecciona una submuestra de ellos para su
óptima cubicación, por ejemplo con una tabla de doble entrada, o una buena
ecuación para ello. Una buena presentación del método se da por Mesavage, citado
por (Husch, Miller y Beer, 1982) así: "supóngase que se dispone un manojo de
cartas numeradas del 1 al 20. Si se estipula que el volumen predicho de un árbol
muestral debe ser igual o mayor que el número de una carta subsecuentemente
extraída al azar, el árbol con una predicción de 1, tendrá solamente 1 oportunidad
en 20 de calificar para ser digno de medición cuidadosa en su volumen, en tanto
que alguno con un valor predicho de 15, tendrá 15 oportunidades de 20. La
probabilidad de la selección aparece entonces proporcional a la predicción".
Los elementos para un muestreo 3P, se pueden seguir en la siguiente rutina de
trabajo:
1- Escoger un tamaño muestral n, número de árboles que deberán cubicarse
cuidadosamente, con algún buen proceso dasométrico, asumiendo una población
infinita, pero notando que la cifra del coeficiente de variación utilizada deberá
basarse en la razón del volumen medido con relación al estimado, que será definido
en el paso 8, usualmente más pequeño que el obtenido con el volumen de los
árboles, lo cual explica en parte la eficiencia de este método. Alternativamente

147
existen algunas propuestas para esta estimación del n, como 100 árboles para
personal calificado, o que se permitan ajustes por debajo del 1,5%, o 200 árboles,
por lo menos, para personal sin entrenamiento, etc. Se quiere hacer énfasis acá que
es la consistencia del apreciador, lo que conduce a un mejor ajuste del método,
incluso por encima de ciertos sesgos que presente la tabla usada, que pueden
resultar prácticamente despreciables.
2- Estimar la suma de volúmenes para los N árboles seleccionados para el efecto,
así:
N
Xˆ   X i  7.14 
i 1

X i estimados burdos del volumen, debiendo observarse que la suma actualizada de

los estimados será conocida únicamente al final del inventario.
3- Designar el máximo volumen esperado encontrar como k, o sea k = máximo X i ,

que será usado como límite superior para un conjunto de enteros de 1 a k, que
actuarán como calificadores para decidir si un árbol debe cubicarse mejor o no. Es
importante resaltar acá la necesidad de escoger una unidad de cubicación que
permita una buena serie de números enteros, lo que no se lograría con m3 por
ejemplo. Se proponen unidades de cubicación parecidas a las del comercio final de
la madera, por ejemplo rastras  80 pies3  3m , o sea que un metro cúbico
aproximadamente iguala a 6,45 rastras), o el pie tablar cuya conversión da

aproximadamente que 1 m3  423.73 pt . Todos los estimados se deberán basar en

ellas.

4- Ajuste del número de enteros para asegurar una muestra próxima al tamaño
deseado, de acuerdo con:

Xˆ
n   7.15
kZ
n tamaño muestral esperado, X̂ volumen estimado del total de los árboles, Z,
número de elementos de rechazo, símbolos que se mezclan con el conjunto de
números del 1 a K.

148
Por ejemplo, supóngase que se necesita evaluar 500 árboles en un bosque para
venta en pie. Debido a que se hizo una primera aproximación de volúmenes con

Pressler, se pensó que n  30 sería un buen valor de entrada, se determinó, un

Xˆ  355 m3 equivalentes a 2290 rastras o 150.424 pies tablares, el árbol de volumen

3
máximo se estimó en 1.71 m = 11 rastras o 724.57 pies tablares, que se
constituyen en valores para K. Al despejar Z de la ecuación (7.15) se encuentra un
valor de 65 símbolos de rechazo en rastras, o sea números del 1 al 11 y 65 símbolos
de rechazo y números del 1 al 725, más 4290 símbolos de rechazo para pies
tablares, con lo cual la muestra pudiera ser un valor de 30, y de no existir Z, llegar
hasta 208 árboles, en rastras, o sea 2290/11. Este valor de Z conduce a echar en
una bolsa los números del 1 al 11 y 65 tarjetas de rechazo, o sea un espacio
muestral relativo aleatorio de 76 elementos. La ecuación anterior se resolvió
linealmente para facilitar los cálculos, pero existen otros procedimientos, algunos
propuestos por (Mesavage, 1967) que facilitan esta operación. (Grossenbaugh,
1963), citado por (Husch, Miller y Beer, 1982), muestran que un diseño 3P libre de
sesgos debiera cumplir las dos condiciones siguientes
2
Z  4  4 
a  nk  Xˆ ; b          7.16 
 k   n   N 
N el número total de árboles marcados y elegidos para cubicación de la población.
5- Cuantificación de cada uno de los N árboles, en cada uno de los cuales se hace el
siguiente procedimiento:
a. Se estima directa o indirectamente su volumen X i , usando una tabla, ecuación

o procedimiento dasométrico.
b. Se registra el volumen obtenido.
c. Se escoge un número (o elemento de rechazo) al azar del conjunto de enteros
entre 1 y K y los elementos o símbolos de rechazo mezclados.
6- Si el volumen X i  el número aleatorio extraído, se mide el árbol lo mejor posible

para su cubicación, o se estima con una tabla de doble entrada, etc. Este volumen
es registrado como Yi volumen actualizado del pésimo árbol.

149
7- Si el volumen X i  el número aleatorio extraído la aparición de un símbolo de

rechazo, se pasa al siguiente árbol marcado.

8- Luego de completar los N árboles, su volumen puede estimarse como:

 n Yi   n 
 X    Ri  N
Y
ˆ
Y  X  i 1 i   X  i 1  ; X   X i ; Ri  i  7.17 
 n   n  i 1 Xi
   
   
siendo n número de árboles muestreados y medidos con precisión. Al terminar el
inventario debería tenerse que n  n con alguna ligera variación.

9- La varianza de Yˆ puede también aproximarse con una expresión aportada por

Grossenbaugh, ya que no existe una verdadera para ello así:
2
n
 Yi X ˆ 
 
i 1  X i
Y  2
  X s2  X 2s2
sYˆ 
2
 7.18
n  n  1
R R
n

Yi
en que sR2 es la varianza de las razones :
Xi
n

R  R
2
i
sR2
sR2  i 1
sR2   7.19 
n 1 n

El método 3P ha sido adaptado a múltiples circunstancias, es motivo de muchas

investigaciones y permite inventarios rápidos como el ejemplo analizado.

150
8. ELEMENTOS DE MUESTREOS MULTIFASICOS

Los muestreos multifásicos se refieren a procesos de recolección de la muestra en

fases simultáneas o sucesivas en que cada una contribuye con una parte de la
información buscada. Permiten reducir costos, actualizar o recalcular la
información, cuando la muestra es recogida con métodos que requieren ajustes
sucesivos.
Son muy utilizados para estimaciones baratas de volúmenes, en parcelas de igual
tamaño y, están casi siempre presentes en muestreos tradicionales en los cuales es
necesario colectar submuestras de alturas para regresiones altura-diámetro, ante el
gran consumo de tiempo y algunas dificultades de campo para las mediciones
directas de la primera de ellas, cuando se busca el volumen por hectárea.
En la primera fase muestral, los árboles son unidades de registro, mientras que las
parcelas son unidades de muestreo. En la segunda fase, los árboles se constituyen
en unidades de registro y de muestreo al mismo tiempo, para poder producir la
regresión. Otro uso podría ser a manera de ejemplo, la estimación visual de
volúmenes comerciales en una primera fase y la medición de ellos en una
submuestra, de modo que con una regresión se establezca la relación entre ellas.
Existen muchas posibilidades de muestreos multifásicos, los cuales pueden ser
diseños con fases dependientes o independientes. Si la información se hace dentro
de las parcelas, las fases son mutuamente dependientes y siempre incluirán análisis
de regresión, cuando se trate de variables cuantitativas. También aparecen cuando
parte de una muestra se toma con un proceso y otra con uno diferente, como por
ejemplo al calcular las áreas con fotos aéreas y los volúmenes con trabajo de campo.
Se conocen a menudo como doble muestreo y manejan generalmente, pero no
necesariamente, parcelas de igual tamaño.
8.1 Muestreo con dos fases independientes.
Se usa cuando las muestras se toman en condiciones muy diferentes y una variable
puede encontrarse con procedimientos distintos a los de otra. Por ejemplo, en
transectos, las áreas de los estratos tomados en fotografías aéreas, y los volúmenes
por unidad de área y/o estrato, por medio de trabajo de campo. Ambas muestras

159
obviamente son independientes, y no sería fácil adoptar criterios para la segunda
con respecto a la primera, como la mejor disposición de las muestras en el campo.
Ello conduce con toda seguridad a un estimador de la razón en la segunda fase, ya
que ambos muestreos deberán ser proporcionales al área:

Yj
qj  8.1
Xj

q j , volumen promedio por hectárea en el estrato j. Como ya se estudió en el capítulo

6, su estimado tiene menor error estándar que el volumen promedio por estrato Y , a
pesar de muestras pequeñas. Sí el estimado del área puede obtenerse con menos
costo, con fotointerpretación por ejemplo, el volumen en el estrato j, V j puede

obtenerse del área del estrato j, a j y el volumen promedio por unidad de área en el

será:

Vj  a j q j 8.2
obviamente ambas variables sujetas a errores de muestreo. El error estándar de tal
producto se obtiene con el método de propagación de los errores como
a 2j sq2j q 2j sa2j
s s
2
Vj
2
ajqj
a s q s 
2 2
j qj
2 2
j aj  8.3
n k
en que n, número de muestras de campo para q j , y k número de fotomuestras para

a j . La magnitud del error estándar dependerá entonces de del tamaño de ambas

muestras, y el cálculo de ese tamaño puede obtenerse aproximadamente, por
ejemplo dependiendo de los costos relativos de los procesos en ambas fases. Si el
costo total de muestreo es:
C  nCc  kC f 8.4
con Cc costo para medir una unidad de campo, C f , costo para procesar una

fotomuestra.
Se dan entonces las dos alternativas posibles para determinar n y k, dependiendo sí
se desea el error estándar para un mínimo costo, o una segunda sí se acepta un
mínimo error estándar para un cierto costo concertado.

160
Lo anterior se resuelve desde el cálculo al diferenciar el producto Cse2 , en que se2 es

una fórmula general para el error estándar cuadrado. Sí se hace:

a b
sV2j  se2   ; con a  a 2j sq2j ; b  q 2j sa2j 8.5
n k
entonces se tendría:
ak bn
n ; y k 8.6 
kse2  b nse2  a
omitiendo los detalles de cálculo similares a los usados en el capítulo 1. En el primer
caso se obtiene un mínimo para Cse2 , sustituyendo k y diferenciando para n se

obtiene n, y así para k:

abC f abCc
a b
Cc Cf
n ; k 8.7 
sV2j sV2j

En el segundo caso, se debe buscar que el error estándar sea un mínimo, en cuyo
caso con la metodología anterior se tendría:

aC bC
n ;y k 8.8
bCcC f  aCc aCcC f  bC f

A manera de ejemplo, se ilustra el uso de los criterios anteriores, asumiendo que la

fotointerpretación de k = 900 transectos dio los siguientes estimados: a j  1820 ha;

sa j  1274 ; sa j %  70% .

sa j
Con estos datos y una probabilidad del 95%, a j  t  1820  84.93 , con un error
k
de muestreo del 4.67%. Una muestra independiente de campo con n = 80 parcelas
de 1/20 de ha, dio el siguiente estimado de volumen promedio por ha,
3 3
q j  235.2 m ; sq j  122 m ; sq j %  52% . Con estos datos y una probabilidad
ha ha
sq j
del 95%, q j  t  235.2  2 13.64 , con u error de muestreo del 11.59%. El
n
volumen total para el bosque se obtiene de las dos fases del muestreo al 95% de
probabilidades, como:
161
 V j  a j q j  t a 2j sq2j  q 2j sa2j 8.9
lo cual da: 428064,0  2  26758,84 m3 , o sea un error de muestreo del 12.5 %.
Asumiendo que la interpretación de una fotomuestra vale la centésima parte de una
unidad muestral de campo, también a manera de ejemplo, se podría escribir que
C f  1, con lo que Cc  100C f  100 , usando la ecuación (8.7) y la (8.3), se llega a un
cálculo de n = 78,15 y de k = 1054,58, lo que indica que se hubiera llegado a un
resultado equivalente, con 1054 fotomuestras y 78 medidas de campo. El costo
promedio de una parcela de campo en bosques tropicales puede asumirse cercano a
los $ 90.000, y para el ejemplo propuesto la fotointerpretación de una unidad sería
de $ 900, con lo cual el costo en el primer caso sería de $8'838.000, contra
$7'968.600, o sea una reducción del 9,9% en los costos, en el segundo caso.
Por ello se justifican los premuestreos, pues acá, se hubiera dejado de hacer 2
parcelas de campo, a costa de mas fotoparcelas, pero a menor costo.
8.1 Muestreo bifásico.
Este muestreo a veces diagnostico se aplica a poblaciones en las cuales es posible
conocer dos variables por unidad de muestreo. Existen dos modalidades principales:
con variable independiente totalmente conocida, como la que es posible extraer de
una ecuación de rendimientos por ejemplo o, con variable independiente estimada
en un submuestreo.
8.1.1 Muestreo bivariado con variable independiente conocida. Para este tipo de
muestreo se miden las variables dependiente e independiente en un número
determinado de parcelas al azar, preferiblemente > 30 en la primera fase, la segunda
fase conoce o mide solamente la variable independiente. Se acostumbra la regresión
lineal entre volumen y área basal, por ejemplo:

Yˆ  b0  b1 X 8.10
El error estándar se calcula para el volumen de acuerdo con el de la regresión
modificada por el factor de corrección:

162
  
 1  X r  X 2  
 1  
n
sY t  t MSE   n 8.11
n
  xi  X   N
2
 
 i 1 

en que X r es el valor del área basal promedia real conocida y X el valor del área
basal obtenida en la muestra de la primera fase.

Figura 8.1 Población tipificada por área basal y volumen con 4 estratos

Por ejemplo, se tomaron 14 datos a la población dada en la Figura 8.1, en la

cual se tienen 107 rodales identificados por área basal -de la cual se conoce su
2
verdadero promedio, en este caso 17,917 m - y volumen comercial y
ha
2
coordendas X y Y, como las mostradas en la Tabla 8.1: G = área basal en m ,
ha

163
 3
VC = volumen comercial m . Se estimó la relación de VC contra G, de
ha
acuerdo con el siguiente modelo de regresión lineal simple:

Analisis de Regresion entre Vc y area basal G

Parametros Estimados Err St t Stud Valor-P
---------------------------------------------------------
Intercepto 6,26761 2,14441 2,9227 0,0128
pendiente 2,73993 0,0987517 27,7456 0,0000
---------------------------------------------------------
Analisis de Varianza
---------------------------------------------------------
Fuente SS.. GL MS.. F Valor-P
---------------------------------------------------------
Modelo 12526,3 1 12526,3 769,82 0,0000
Residual 195,261 12 16,2717
---------------------------------------------------------
Total (Corr.) 12721,6 13
Coef de Corr = 0,992296; R cuadrado = 0,985, MSE = 4,03382

y sus

Estadisticos
Vc G
---------------------------------------
Muestra 14 14
Promedios 57,7 18,7714
Varianzas 978,582 128,351
Desv Standard 31,2823 11,3292
Error Standard 8,36054 3,02786
Minimo 15,0 2,6
Maximo 96,5 33,2
Coef de var 54,21% 60,35%
Sumas 807,8 262,8
---------------------------------------
m 3
con la cual se obtiene: Vˆ = 6.267 + 2.734×17.917 = 55.359
ha

164
 m3
y Vˆ tot = 6.267 + 2.734×1.886,7 = 5.175,7
ha

 1 17,917  18, 7712   14 

un error estándar de: sY  4.0338    1   0, 286076
 14 1.688,57   103 
 
y un error de muestreo co t = 2.179, de:

sY t 0, 286076
100%   2.179 100%  2.11%
Y 55,359
8.1.2 doble muestreo bietápico. Se debe producir una estimación de ambas
variables, siendo más amplia la muestra para la variable independiente. Se puede,
con base en la fórmula conocida, calcular el tamaño de muestra de acuerdo con el
coeficiente de variación de la variable independiente y sólo cambia el error estándar
de estimación así:

 
 1  X 1  X 2   n  sy 
2
 1   1  
n
sY  s yx   n
2
8.12  ,
n
  xi  X    n1  n  N 
2

 i 1 
en que N = número de unidades muestrales de la población, n1 , número de

unidades de la muestra grande, n, número de unidades de la submuestra, X 1 ,

promedio de la variable independiente de la muestra mayor, X , promedio de la

submuestra, s yx
2
, cuadrado del error estándar de la regresión y s y2 , varianza del

volumen.
8.2 Doble muestreo aleatorio con regresión para grandes áreas.
Fue propuesto inicialmente para bosques homogéneos de los grandes lagos del
Canadá. El sistema se cree aplicable a grandes extensiones de bosque homogéneo de
cualquier condición, incluido el bosque tropical, involucra un doble muestreo
sistemático, como se verá en el capítulo 10, con el uso de la regresión, pero con los
valores de arranque escogidos aleatoriamente, y con la ayuda de fotografías aéreas,
dada sus reducciones de costos sobre otros procesos similares de campo.

165
8.2.1 Manejo de las fotografías aéreas o sistemas de información geográfica
para el doble muestreo. Es necesaria la implementación de mediciones
volumétricas dentro de límites aceptables de precisión con el uso de los sistemas
mencionados, lo cual seguramente será producto de investigaciones al respecto.
Trochlil y Meyer citados por (Shiue y John, 1962) presentan datos de pruebas
realizadas a 11 intérpretes entrenados que logran valores dentro de la media de
25% un nivel del 99% de confianza y coeficientes de correlación desde 0,51 hasta
0,67 para 10 de ellos, con la connotación de que ni siquiera conocían el área de
estudio. Es claro además que el éxito de la fotointerpretación es inmensamente
dependiente de las habilidades individuales. Debería además tenerse información y
tablas de volumen de buena calidad, basadas en alturas de árboles y densidad o
diámetros de copa como las de (Avery y Meyer, 1959).
8.2.2 Doble muestreo. En este caso se trata de tomar una muestra de n individuos
de N. De esta muestra se toma otra submuestra de tamaño n1 , asumiendo por el
momento que ambas muestras son aleatorias. Cuando se usa el doble muestreo con
regresión las mismas variables se miden por diversos métodos en ambas muestras
con el fin de ajustar el modelo. El análisis de regresión propicia el método de
calibración para n, que en este caso podría ser una serie de parcelas establecidas en
fotografías aéreas o en procesos equivalentes en las cuales se posible estimar
volumen, alturas, diámetros de copa, densidades, etc. Esto posibilita un gran
número de parcelas a menor costo que los equivalentes de campo. Las n1 deberán

tener las medidas de campo correspondientes  yi  a las medidas de foto  xi  . El

éxito del proceso depende también de la correlación entre las fotomedidas y las
medidas de campo tanto como las relaciones de los costos de ambos procesos.
Trabajando con unidades monetarias, cuando una parcela de campo puede alcanzar
entre nosotros un valor de aproximadamente 40.000 U (U: pesos, por ejemplo) , la
interpretación de una parcela en una fotografía aérea podría estar por los
alrededores de 700 U, o sea una relación de 1:57 y con coeficientes de correlación
esperados > 0.7. El doble muestreo llega a ser ventajoso siempre que se cumpla la
siguiente condición:

166
 4 Cn1 Cn
2  8.13
C  Cn 
2
n1

en que Cn  0 y Cn y Cn1 son los costos de las fotoparcelas y del trabajo de campo.

El estimado del error estándar de la media con este método de diseño es dado según
(Cochran, 1953) como:

2
s yx s y2  s yx
2

sY   8.14  ,
n1 n

en que s y2 es la varianza de las medidas de campo y,

1  n1 n1
2
   1   xi  X   8.15
2
2
s yx   y  Y  b 2

n1  2  i 1
i
i 1 
desviaciones de los cuadrados medios de las regresiones, con las asunciones para
esta fórmula que tanto la muestra como la submuestra son aleatorias, que las

variables xi son normalmente distribuidas y que 1 es un valor insignificante.

n1
Como una muestra aleatoria de este tamaño puede ser difícil de obtener se
propondrá en el capítulo 10 un proceso alternativo sistemático debido a (Shiue,
1960) que facilite su logro.

167
9. ARREGLO EN CLUSTER, MUESTREOS POLIETAPICOS

Para inventarios de gran superficie, las unidades de evaluación se tornan a veces

demasiado grandes, con fracciones de muestreo usualmente bajas < 0.01%, y
enormes distancias entre unidades de muestreo, que harían impracticables algunas
de las propuestas anteriormente consideradas. En estas condiciones se acude a
lugares; campamentos, que concentren el trabajo o la toma de la información,
alrrededor de los cuales se busquen las muestras, como una estrategia de
planificación y organización del trabajo de campo, lo que deja de plano grandes
áreas sin la posibilidad de inventariación, en un proceso de rastreo conocido como
muestreo cluster o muestreo arracimado, en que generalmente se asume que los
individuos dentro de uno de ellos son geográficamente contiguos, o cercanamente
juntos.
Este proceso consiste en la división de la población en un número de grupos
distintos e identificables, dentro de los cuales se toman aleatoriamente algunos
individuos de la población a muestrear. Una muestra cluster propicia, como en los
muestreos anteriores, una estimación de promedios y su error de muestreo,
insesgados y consistentes, (Shiue, 1960). Implica también la división de la población
en unidades de orden jerárquico en que cada paso representa una etapa muestral
así: la población se divide en una serie de unidades grandes llamadas primarias en
una primera etapa, cada una de las cuales se divide en otras mas pequeñas,
secundarias, en una segunda etapa, y estas a su vez pueden dividirse en unidades
más pequeñas, terciarias, etc. que los hace conocer también como muestreos multi o
polietápicos.
Las unidades de muestreo deben seleccionarse aleatoria e independientemente en
cada etapa. Una de las ventajas de la concentración alrrededor de ciertos lugares de
los trabajos de ubicación y medición de las parcelas es la reducción de costos y
tiempos. La eficiencia de los estimados depende de la varianza entre los cluster.
Dada una población con una varianza fija, la maximización de la variación dentro de
los cluster resultará en las mas pequeña variación entre ellos, y de ahí la mayor
eficiencia para los estimados de la media. Se adaptan mejor a muestreos de grandes

169
áreas, como los bosques tropicales, pues aunque se escogieran grandes unidades de
muestreo, estas podrían resultar con bajos volúmenes comerciales, o carecer de
especies importantes, como lo mostrado en la población # 4.
9.1 Muestreo bietápico de división homogénea.
Es de los polietápicos tal vez el más utilizado. Se llama de división homogénea
porque las unidades en cada etapa son iguales en tamaño y forma y se selecciona al
azar el mismo número de unidades secundarias por cada primaria, Figura 9.1. Se
basa en la descomposición de cada variable yij en los 3 componentes ya descritos en

la ecuación (1.106), en que los componentes de bloque y de parcela están sujetos a

los errores incluidos en el cálculo de sY2 de la ecuación (1,120).

Figura 9.1. División polietápica de un gran bosque.

9.1.2 Muestreo en sí. Se seleccionan aleatoriamente m unidades primarias de M

posibles, en la primera etapa. En cada una de estas se seleccionan n j secundarias de

las N j posibles dentro de cada primaria (j = 1, 2, ..., m). En sana lógica el subíndice

j desaparece por la división homogénea. La diferencia con los muestreos

estratificados vistos, es que en estos no se seleccionan bloques en especial si no que

170
se trabaja en todos ellos. La nomenclatura usada será:
M, número de unidades primarias posibles para la población objeto del muestreo.
Generalmente bloques cuadrados, con las dimensiones que se reportan en el
capítulo I, de acuerdo con la superficie del bosque.
m, número de unidades primarias elegidas al azar de las M posibles.
N, número de unidades secundarias posibles en cada primaria (bloque).
n, número de unidades secundarias, elegidas al azar de las N posibles en cada
primaria.
yij , volumen de la iésima secundaria en la primaria j-ésima.

Y j , volumen promedio de la j-ésima primaria.

Y volumen promedio para todo el bosque.

sY2 , Error estándar cuadrático para el bosque total.
9.1.2.1 Estimado de la media para el bosque. La media se obtiene por la ecuación
1 m n
Y  yij
mn j 1 i 1
 9.1
9.1.2.2 Varianza de medias. Error estándar cuadrático. El error estándar
cuadrático involulcra dentro de su fórmula el elemento poblacional s2 , ya
suficientemente analizado en el numeral 1.10.6 que permite expresar el error
estándar cuadrático como (1.120) o en otra nomenclatura como:
2
 m  s  mn  sd2
sY2  1     1    9.2 
 M  m  MN  mn
en que s2 se conoce como componente de bloque para la estimación de la varianza

entre medias de las unidades primarias y sd2 como el estimado de la varianza dentro

de los grupos de secundarias. Un análisis de varianza posibilita los estimados de las

dos anteriores, como la tabla 9.1, en el cual son importantes las siguientes sumas de
cuadrados:
2
m
 n 
   yij 
scd   yij2  j 1  i 1 
m n
 9.3
j 1 i 1 n
171
 2
  m n 
2
m
 n
   yij    yij 
sc  j 1  i 1    
 9.4 
j 1 i 1

n mn
se2  sd2
s2   9.5
n
en las que SSd o SCd , suma de cuadrados dentro y S e2 , es una varianza artificial

entre primarias que conduce al cálculo de s2

TABLA 9.1 Análisis de varianza del muestreo bietapico

FUENTE DE VARIACION G.L SUM DE CUAD CUADRADOS MEDIOS

ENTRE PRIMARIAS (m-1) SC SC

 sd2  ns2  se2
 m  1
DENTRO DE PRIMARIAS m(n-1) SCd SCd
 sd2
m  n  1

TOTAL mn-1

9.1.2.3 Grados de libertad. Se recuerda que los componentes  j y  ij de la

ecuación ya estudiada (1.106) están sujetos a errores, de ahí la fórmula:

 s   s2
2
 m mn j
sY2  1    1    9.6  ,
 M  m  MN j  mn j
de la cual salió la ecuación (9.2) en que s es reemplazado por sd y se suprimen los

subíndices por la división homogénea. Si se compara cualquiera de estas fórmulas

con la usada en el muestreo monoetápico restringido al azar, la diferencia
fundamental es el primer componente del lado derecho de (9.2), que en el muestreo
simple implica que m = M, por lo que esta parte de dicho componente se hará igual a

cero, quedando pendiente solo de s2 o de sd2 , del factor de corrección y del número

de unidades secundarias así:

172
 nj

  y  Y 
M
2
ij j

sd2  j 1 i 1
 9.7 
M  n  1 j

por lo cual el error estándar del muestreo al azar restringido se evalúa como:

sd2
sY2  1  f   9.8
Mn j
como en un muestreo bietápico se eligen m < M bloques, entonces las relaciones:
2
 m   m  s
1    0; y 1    0  9.9 
 M   Mm
con lo cual el error estándar de un bietápico será mayor que el de un muestreo
aleatorio simple. Cuando todo el peso del error recae solamente en las unidades
secundarias, como en el caso de poblaciones que de pronto al final resultan muy

homogéneas, entonces s2 tiende a cero, por lo cual el sY2 en bloques se incrementa a

medida que estos sean más heterogéneos. Para que el componente bloque fuera = 0
se necesitaría que:

se2  sd2
 0; o se2  sd2  9.10 
n
lo que implicaría combinar un infinito número de unidades secundarias en una sola
primaria, sin incrementar el error estándar en comparación con el muestreo

aleatorio simple. La diferencia en ambos diseños sería la t. Si se elimina s2 no

importa en cuantos grados de libertad diferiría este de  2 , por lo cual aquellos

serían los correspondientes a sd2 , o sea M n j  1 .  

Lo anterior se puede presentar en el siguiente resultado: En la expresión del error

estándar, el componente que lleva s2 puede eliminarse si este es cero o no difiere

significativamente de cero, cuando es diferente de cero, la t quedará con (m - 1)

grados de libertad. Se espera, además, que (m - 1) > 10 para obtener resultados que
no se consideren inconvenientes a causa de los altos valores de t. Otra forma de
estudiar estas diferencias es con el concepto de eficiencia relativa que burdamente se
puede expresar como:
173
 2
E ( S MUESTRAL ALEATORIA SIMPLE )
EFICIENCIA RELATIVA =
2
.
E ( S DEL TIPO DE MUESTREO )

9.1.2.4 Análisis de la hipótesis: H 0 : s2  0; H a : s2  0 . A pesar de haberse

programado el muestreo bietápico conviene analizar esta hipótesis, pues de no ser
posible su rechazo, es posible el cálculo del error como un muestreo aleatorio
simple, con el consiguiente aumento de grados de libertad. Se puede hacer a través
de una prueba de F, asi:
2
sd2  n j s2
sentr
F 2 
sd sd2
;  m  1; m  n  1  GL 9.11 .
Si la Fc  Ftab se acepta que s2  0 , es decir en caso de que existan realmente

diferencias significativas entre los bloques.

9.1.2.5 Cálculo de otros parámetros. En este tipo de muestreo surgen otros
indicadores estadísticos como los “coeficiente de variación entre”: s % y "coeficiente

de variación dentro": sd % que permiten fundamentar un poco más los análisis:

sd2 s2
sd %  100%, s %  100%  9.12  .
Y Y
Con base en los anteriores se calcula la razón de variabilidad RV:
s %
RV   9.13 ,
sd %
que dan una vaga idea del porcentaje de ganancia obtenido al usar unidades
primarias, pues en la medida en que RV > 1, mejor sustentada la división
polietápica. De manera similar se produce el coeficiente de correlación entre
varianzas  :

s2
  9.14 
sd2  s2
pues en la medida en que este tiende a cero, el error de muestreo tiende a
reducirse. Como ejemplo se presentará el inventario en bloques de la población
#1 con 11 bloques al azar y 7 muestras dentro de cada uno de ellos tomadas
aleatoriamente también, para tener una intensidad de muestreo semejante a la

174
del ejemplo mostrado en la sección 2.3, Tabla 9.2.

TABLA 9.2 Datos para el muestreo polietápico de la población # 1 con 11

bloques y 7 muestras aleatorias por bloque.
UNIDADES BLOQUES COORDENADAS variables de las unidades secundarias
PRIMARIAS AL AZAR MUESTRALES Yij Suma Yij Suma Yij2

1 CII n7-m8-l9-m9-o9-m10-o10 191 229 339 176 155 375 184 1.649,0 433.325,0
2 DIII p11-s11-q12-t12-t13-p-14-t15 133 96 176 118 176 125 125 949,0 134.031,0
3 AIII b11-a12-b12-d12-a13-b13-d14 413 280 265 280 339 398 295 2.270,0 757.944,0
4 BII q6-h6-q7-i7-j7-f9-i10 346 125 288 303 222 398 339 2.021,0 632.703,0
5 DI r1-p2-q2-q3-r3-p4-r4 0 0 125 38 0 38 66 267,0 22.869,0
6 CI k1-n1-k3-l3-m3-o3-l4 0 0 148 103 59 110 81 501,0 54.655,0
7 CIII l11-m11-k12-o12-l13-m13-o15 221 221 258 74 96 206 170 1.246,0 250.274,0
8 AI a1-d1-d2-b3-a4-d4-d5 163 140 163 206 206 148 191 1.217,0 215.995,0
9 BI g1-i1-h2-j2-f4-h5-i5 125 148 265 110 148 140 110 1.046,0 173.458,0
10 BIII h11-i12-f13-i14-j14-i15 316 235 184 316 368 265 390 2.074,0 646.542,0
11 DIV s16-s17-t17-p19-q20-s20-t20 103 0 23 0 0 74 15 215,0 16.839,0

sumas 13.455,0 3.338.635,0

De la tabla se obtuvo:
SCd  245.084, 286; sd2  3713,398; SC  742.420,519; se2  74.242,052

s2  10.075,522; Y  174,7403; sdent

2
 3.713,398; sY2  325,179; sY  18,033

s %
err  23,529; sd %  34,873%; s %  57, 443%;  1.647; F  19,993
sd %
  0,731
Se ve que el promedio es casi igual en ambos procesos, pero además en este
muestreo se ve que el componente poblacional  tiene una varianza muchísimo
mayor que el componente d.
La relación de ambos coeficientes de variación de 1.6472 muestra la gran variación
poblacional y la significancia de la diferencia de s con cero se hace obvia al ver el

valor de F = 19.99, con 10 y 76 grados de libertad. Por último el cálculo del

coeficiente de correlación entre las variables de las unidades secundarias y las
medias de las unidades primarias = 0.73, refuerza las diferencias por bloques y la
gran asociación entre ellas. Se dio también la gran diferencia entre los errores

175
estándar, de 12.88 contra 18.03 como era de esperarse por el efecto de los bloques.
9.1.3 Estimado del número de unidades. Todo diseño de muestreo debe
considerar una serie de circunstancias estadísticas y financieras, pero especialmente
el muestreo cluster, en que no solo se deberá juzgar la precisión, si no las economías
generadas al reducir tiempos de marcha y concentrar la toma de información, sobre
todo en áreas de difícil acceso. Ello conlleva por fuerza un aspecto financiero que es
necesario optimizar para lo cual deberá considerarse el costo total del trabajo de
campo desagregado en dos componentes: c1 , costo o tiempo para el acceso y
establecimiento de una unidad primaria, como traslado de campamentos, personal,
etc y los tiempos que ello conlleva. c2 , costos o tiempo para el establecimiento y
medición de una unidad secundaria, desde el campamento de la primaria. El costo
total será:

C  mc1  mnc2  9.15

Si se conocen las varianzas y componentes de ellas es necesario considerar dos
problemas:
1. Número de unidades secundarias por primaria para un error dado, al mínimo
costo;
2. Número de unidades secundarias por primaria que den la precisión óptima a un
costo fijo.
Ambos problemas tienen su solución en el cálculo diferencial, y es posible encontrar
una simplificación ventajosa prescindiendo de los factores de corrección, sin una
gran alteración de los resultados finales.
9.1.3.1 Estimado del número de unidades secundarias. Para escoger n, se partirá
de multiplicar costos por error estándar así:

 s2 sd2  c s2
Cs   mc1  mnc2   
2
  c1s2  1 d  nc2 s2  c2 sd2  9.16  .
Y  m mn  n
 
Derivando con respecto a n, se obtiene:

d  CsY2  c1sd2 n2c2 s2  c1sd2

 2  c2 s 
2
 9.17  ,
dn n n2
que al igualar a cero da el número óptimo de unidades secundarias por primaria

176
para una relación dada de variabilidades y costos, que coincide con la propuesta de
(Husch, 1982):

c1 sd2
n   9.18 .
c2 s2

Se pueden cambiar los ci por ti , en caso de conocerse los tiempos en vez de los

costos, ambas variables difíciles de estimar a no ser que se tengan registros

anteriores o premuestreo de campo. Si se sustituye n en la fórmula del error
estándar se obtiene el número de unidades primarias con un óptimo de secundarias
para una precisión fijada.
9.1.3.2 Estimado del número de unidades primarias. Acogiendo la propuesta
anterior se propone un cálculo para m así:

 s2 
t 2  s2  d 
 n
m  9.19  ,
t  2 sd2 
2
E   s  
2

M N

en que el error se trabaja en unidades de la media Y . Cuando se dispone de un

capital limitado C, entonces:
C
m  9.20  ,
c1  nc2
en cuyo caso se debe sacrificar la precisión.
Para concluir, es necesario decir que este tipo de muestreos, requiere de análisis
económicos muy serios pues es preciso evaluar las ventajas y desventajas
estadísticas frente a las financieras, ya que solo se justifica para grandes áreas y en
condiciones de alta heterogeneidad poblacional.
A manera de ejemplo con datos ficticios pero más o menos actualizados en alguna
fecha, usando los datos del ejemplo anterior y con un error de muestreo del 15%, se
pueden tener unos costos tentativos de c1  $1´500.000 colombianos para el
establecimiento y montaje de una parcela primaria, y para el establecimiento y
medición de una parcela secundaria un c2  $35.000 , dadas las condiciones de
recogimiento y logística propiciada por los cluster. De acuerdo con ello:

177
  3.173, 4 
4 10.075,5  
n
1´500.000 3.713, 4
  4; m  4 
 13 .
35.000 10.075,5 4 3.173, 4 
26, 21  10.075,5 
2

16  1600 
Los resultados surgen de la Tabla 9.3.

TABLA 9.3 Muestreo polietápico de la población #1 con 13 bloques y 4

muestras por bloque
UNIDADES BLOQUES COORDENADAS variables de las unidades secundarias
PRIMARIAS AL AZAR MUESTRALES Yij Suma Yij Suma Yij2

1 CII n7-m9-o9-o10 191 176 155 184 706,0 125.338,0

2 DIII p11-t12-t13-t15 133 118 176 125 552,0 78.214,0
3 AIII b11-d12-a13-d14 413 280 339 295 1.327,0 450.915,0
4 BII q6-i7-j7-i10 346 303 222 339 1.210,0 375.730,0
5 AII q2-d3-e5-d4 125 194 184 148 651,0 109.021,0
6 BIV p16-e18-d19-d20 199 176 199 163 737,0 136.747,0
7 DI r1-q3-r3-r4 0 38 0 66 104,0 5.800,0
8 CI k1-l3-m3-l4 0 103 59 81 243,0 20.651,0
9 CIII l11-o12-l13-o15 221 74 96 170 561,0 92.433,0
10 AI a1-b3-a4-d5 163 206 206 191 766,0 147.922,0
11 BI g1-j2-f4-i5 125 110 148 110 493,0 61.729,0
12 BIII h11-f13-i14-i15 316 316 368 390 1.390,0 487.236,0
13 DIV s16-p19-q20-t20 103 0 0 15 118,0 10.834,0

sumas 8.858,0 2.102.570,0

De la tabla se obtuvo:
SCd  63.681.5; sd2  1.632,859; SC  529.962, 269; se2  44.163,5224

s2  10.632,665; Y  170,3462; sdent

2
 1.632,859; sY2  180,6747; sY  13, 4415

s %
err  17,991; sd %  23, 721%; s %  60,53%;  2.551; F  27, 046
sd %
en los cuales se observa un menor sesgo con respecto al muestreo anterior y un
error de muestreo del 17.99%, muy cercano al propuesto, aunque el número de
unidades primarias debió estar más cercano a 14. Con estos resultados es posible
darse cuenta de la efectividad de estos muestreos.
9.1.3.3 Estimado práctico de los números de unidades. Como se vio en los

ejemplos anteriores, es necesario conocer las relaciones c1 c2 y sd2 s2 . No es fácil

calcularlas, a menos que se haga un muestreo piloto que resulta bastante costoso,
178
aunque meritorio en grandes extensiones por las implicaciones económicas vistas.
De todos modos es la propuesta más acertada. Cuando ello no es posible, calcular la
primera de tales relaciones no es difícil, por ejemplo en las condiciones nuestras es

común una relación como c1   40 a 45 c2 , en condiciones de una relativa alta

heterogeneidad y dificultad de establecimiento de las primarias. Para la segunda,

sd2 s2 son más o menos comunes valores de 0.3 a 0.4, que pueden servir de
referencia.
9.2 Muestreos sistemáticos cluster con arranques aleatorios múltiples.
Este es en realidad un caso especial de los muestreos cluster. Estrictamente
hablando el muestreo sistemático se asemeja siempre a uno de estos muestreos
(Sukhatme, 1954), equivalente a una muestra de 1 (un) cluster seleccionado de M de
ellos, de N elementos (tamaño del cluster) de acuerdo con la Tabla 9.4

Tabla 9.4. Diagrama esquemático de una población de M columnas con N

elementos cada una.
Intervalo cluster #
de muestreo 1 2 3 ... i . M
1 1 2 3 ... i . M+2M
2 1+M 2+M 3+M ... i+M . .
. . . . ... . . .
. . . . ... . . .
j 1+(j-1)M . . ... . . .
. . . . ... . . .
N 1+(N-1)M . . ... i+(N-1)M . NM

en cuyo caso cada cluster ya no quedará compuesto de grupos de elementos

geográficamente adyacentes, como sucede en inventarios forestales sistemáticos
convencionales, en que la muestra sistemática se compondrá de un número de
parcelas mecánicamente espaciadas sobre el bosque total, ver figuras 1 y 2. El
muestreo sistemático tipo cluster difiere del cluster ordinario visto en los siguientes
aspectos: valor negativo de  , valor negativo de b, mayores valores de g.
9.2.1 Valor negativo de  . Este índice expresa el coeficiente de correlación entre

179
los elementos del mismo cluster, en términos de las varianzas entre cluster, dentro de
ellos y la varianza total, de acuerdo con (Sukhatme, 1954), así:
M 1 2 1 2
sb  sd
 M N
MN  1 2
 9.21
s
MN

La eficiencia relativa de un muestreo cluster se obtiene como:

 N  M  1   1 
ER       9.22 
 MN  1   1   N  1  
cuando los cluster son formados aleatoriamente, los valores esperados de sd2 y Nsb2

serán cada uno iguales a s 2 , con lo que:

1
  ER  1  9.23
MN  1
Para el muestreo cluster ordinario, los elementos de cada uno de ellos son
geográficamente contiguos, en cuyo caso  es usualmente positivo pero decrece a
medida que se incrementa N, aunque esta rata de decrecimiento resulta en general
pequeña relativa a la de su incremento. También, un incremento en el tamaño de un
cluster conduce necesariamente a un incremento sustancial en la varianza muestral
del estimado.

Si los clusters son formados por un patrón sistemático, ejemplo por grupos de
elementos mecánicamente espaciados distribuidos uniformemente sobre la
población objeto, la varianza dentro sd2 tiende a ser mayor que aquella entre clusters

Nsb2 , lo que conduce a valores negativos de  , por lo cual la eficiencia relativa del
muestreo sistemático será mayor que la del aleatorio simple.
9.2.2 Indice g. (Smith, 1938; citado por Sihue, 1960) propuso un índice para
relacionar la varianza entre sb2 y la de la población total, así:

s2
s  g
2
b  9.24 
N

en que N = tamaño del cluster y g un parámetro constante. Para un cluster ordinario

180
g < 1. Cuando el cluster es formado aleatoriamente g = 1. Para los clusters

sistemáticos, Nsb2 tiende a ser menor que s 2 , entonces:

s2
Nsb2  s 2 ; o sb2  s 2   9.25
N
o sea que si se desea retener la relación (9.24) entonces deberá resultar g > 1. Al
respecto la Tabla 9.5 tomada de (Shiue,1960), muestra los coeficientes de
correlación  y de g de muestreos de cluster sistemáticos de diferentes tamaños,
para refrendar lo anterior de un estudio de caso:

TABLA 9.5. Diversos valores de  y de g para muestreos de cluster sistemáticos

Tamaño del cluster  g

sistemático
50 -0.012 2,179
40 -0.020 3,001
25 -0.015 3,005
20 -0.040 3,461
16 -0.042 3,506
10 -0.065 3,975
8 -0.072 4,209

9.2.3 Valor negativo de b. (Jessen, 1942) postulaba que la varianza dentro sd2 de

los cluster, es una función monotónica creciente del tamaño de ellos, dada por
sd2  aN b  9.26 ,

con a y b constantes para una población dada. Para un cluster ordinario b es

positivo, pero para los sistemáticos, incrementar su tamaño conduce a un

decrecimiento de la varianza dentro de ellos y se aproxima al límite de s 2 , cuando N

llega al tamaño de la población total, por lo que obviamente b en esta función será
negativa.
9.2.4 Estimación insesgada y eficiente de la media poblacional. Si la muestra se
toma con arranque aleatorio la esperanza de la media muestral es igual a la media
poblacional, o sea que resulta insesgada. El estimador eficiente requiere una
pequeña varianza limitante o un pequeño valor esperado de la varianza muestral.
Generalmente la varianza sistemática es menor que la obtenida en muestreos

181
aleatorios y estratificados, dependiendo claro está de la población objeto. Sin
embargo (Gautschi, 1956; Sukhatme, 1954: citados por Siuhe 1960) muestran lo
siguiente con respecto a las esperanzas
1- Para muestreos aleatorios:

E Vsy   E Vst   E Vra   9.27  ,

Vsy , Varianza muestral del estimado poblacional de la media, de una muestra
sistemática con arranque aleatorio.
Vst , Varianza muestral del estimado poblacional de la media, de una muestra
estratificada.
Vra , Varianza muestral del estimado poblacional de la media, de una muestra
aleatoria simple.
2- Para poblaciones con tendencias lineales:

E Vst   E Vsy   E Vra   9.28

3- Para poblaciones con correlaciones seriales: Si dos elementos xi y x j son

positivamente correlacionados y esta correlación depende únicamente de una

distancia Z  j  i , la cual decrece a medida que Z se incrementa, entonces:

E Vsy   E Vst   E Vra   9.29

4- Para poblaciones con variación periódica, la eficiencia relativa del muestreo
sistemático con resonancia, depende de la escogencia del intervalo entre unidades
sucesivas incluidas en la muestra. Si el intervalo coincide con el período del ciclo, se
dan muestras similares, con lo cual se subestima la variación esperada. En
conclusión el muestreo sistemático con una partida aleatoria no proporciona
suficiente información para calcular exactamente la varianza muestral. Se han
producido muchas aproximaciones para superar esta situación, como el método de
las parcelas traslapadas de (Hansen et al, 1953), las diferencias balanceadas de
(Yates, 1949) y aún algunas sugerencias de varios autores de calcular la varianza
como si fuera un muestreo aleatorio simple en cuyo caso se llega a una
sobrestimación considerable del error estándar.

182
En resumen, por lo antes visto, el muestreo sistemático es insesgado, consistente y
eficiente cuando no se da la resonancia, pero no da suficiente información para el
cálculo de la varianza con una sola partida aleatoria.
9.2.5 Proceso de muestreo en sí. Para poblaciones que han sido sistemáticamente
agrupadas en clusters como las de la Tabla 9.4, se seleccionan varios números < M,
que serán escogidos como muestra. Ejemplo, sean los números seleccionados i, j, k,
entonces la muestra incluirá los individuos con las siguientes series:
Arranque aleatorio #1: i, i+M, i+2M.... i+(N-1)M
Arranque aleatorio #2: j, j+M, j+2M.... j+(N-1)M
Arranque aleatorio #3: k, k+M, k+2M.... k+(N-1)M
que constituyen una muestra sistemática con tres partidas aleatorias, y que se
asemeja a un muestreo cluster en el cual la varianza dentro de los grupos ha sido
maximizada al repartir los elementos uniformemente dentro de cada uno de ellos.
Para calcular los estimados de la media y varianza cada partida aleatoria es tratada
como un cluster, y se usan las fórmulas convencionales de ese tipo de muestreo

(teniendo en cuenta que para la se2 se tienen N-1 grados de libertad), excepto para

proporciones pues no funciona en caso de poblaciones binomiales, Cochran, 1953,

citado por Shiue, 1960.
El muestreo cluster regular se hace dividiendo la población total en una serie de
unidades o cluster cada uno de los cuales contiene N individuos. De las M, se
seleccionarán m aleatoriamente, siendo este el tamaño de la muestra y mN el
número total de sus elementos. En forestal se piensa siempre que los cluster son
geográficamente contiguos, o individualmente cercanos entre si. La figura 9.2,
adaptada de Shiue y John, 1962, muestra un procedimento diagnóstico de un
muestreo cluster, para una población con 144 elementos individuales o parcelas,
agrupados en 16 clusters geográficamente contiguos, de a 9 elementos por cluster,
de los cuales se han tomado 4 al azar, de tal forma que M = 16, m = 4, N = 9. Esta
muestra contiene NM = 36 individuos, pero los estimados del error estándar se
basarán en m - 1 grados de libertad = 3.
Al describir el muestreo sistemático con partidas múltiples aleatorias, se
reemplazará el término cluster por "partida aleatoria" o simplemente "partida".

183
 Figura 9.2 a) Muestreo cluster corriente, b) con partidas aleatorias

De nuevo la población total se dividirá en M partidas cada una de la cuales constará

de N individuos. De las M, se seleccionarán m aleatoriamente, siendo este el tamaño
de la muestra y mN el número total de sus elementos. El único cambio real hecho al
procedimiento anterior es que los individuos dentro de cada partida aleatoria
resultarán geográficamente discontiguos, o sea que quedarán distribuidos a través
de la población, y además esta distribución de ellos, dentro de cada partida, es
sistemáticamente llevada a cabo con arranque aleatorio con respecto a otros
individuos con la misma partida aleatoria.
Usando la misma población anterior, esta se dividirá en M = 9 bloques, cada uno
con 16 individuos, cada uno de los cuales será una posible partida aleatoria. Para
seleccionar la muestra, se selecciona un individuo aleatoriamente del primer bloque,
ejemplo el 3, y cada M-ésimo individuo (en este caso cada 16-ésima parcela) en
forma similar. Esto constituye una partida aleatoria (anteriormente un cluster) La 2)
de la Figura 9.2 muestra el proceso con partidas aleatorias múltiples en que M = 16,
N = 9, m = 4, conservando la misma intensidad de muestreo del caso anterior, pero
con distribución muy diferente de los individuos en la nueva muestra y con
estimaciones válidas del error que pueden obtenerse de la variación entre las
partidas aleatorias.
Para verlo prácticamente se presenta el muestreo con cinco partidas aleatorias para
184
la población #1, Figura 9.3, Tabla 9.6 en que se seleccionaron los números 25, 15,
7, 13 y 4. En este caso el error se considera aceptable pues como lo demuestra
Shiue, 1960, es preciso que el número de clusters resulte > 10, para obtener
resultados consistentes con la teoría, ya que uno de los mayores problemas para
este tipo de muestreos es determinar cuantas partidas aleatorias se necesitan para
lograr resultados eficientes, pues la eficiencia con base en pequeñas muestras
depende no-solo del error estándar si no también del valor de t correspondiente al
tamaño muestral, que para dos y tres partidas aleatorias serían valores de 12.7 y
4.3 para un 95% de confianza, por lo cual habría que reducir el error estándar de la
media a una sexta o una media del valor obtenido por el muestreo aleatorio, para
obtener los mismos rangos de confianza.
Ello le permite a este autor decir que son necesarios como mínimo 5 o 6 partidas
aleatorias para evitar los altos valores de t. La varianza esperada estimada será Nsb2 ,

o sea la varianza entre cluster, en la nueva dimensión para este tamaño.

A B C D
1 163 191 191 140 250 133 125 184 148 206 0 15 0 0 44 0 23 0 0 30
2 155 133 170 163 206 176 243 265 170 110 125 0 15 81 110 0 125 38 15 59
3 221 206 170 194 214 133 103 222 184 206 148 103 59 8 110 15 38 0 0 30 I
4 206 140 155 148 191 148 280 170 148 199 176 81 44 30 0 38 38 66 66 38
5 125 103 148 191 184 163 163 140 110 148 184 191 110 66 89 0 0 118 59 38
6 280 309 271 288 163 324 346 125 184 214 250 214 148 176 103 74 89 8 0 0
7 316 250 169 339 346 339 288 258 303 222 176 250 169 191 133 191 155 89 38 8
8 265 346 331 265 258 214 361 324 229 309 243 346 229 206 110 133 148 170 66 89 II
9 280 354 309 375 125 398 346 383 221 250 221 339 176 89 155 89 235 214 199 118
10 125 176 331 346 383 206 316 331 339 199 295 235 375 206 184 301 148 199 103 155
11 346 413 316 273 221 441 413 316 214 243 301 221 221 148 110 133 148 235 96 206
12 280 265 199 280 176 229 354 235 184 229 258 229 163 110 74 163 176 140 133 118
13 339 398 250 339 273 316 325 250 184 324 316 96 206 303 191 243 133 280 74 176 III
14 346 346 258 295 288 288 368 206 368 265 324 199 118 155 265 125 199 155 273 250
15 163 273 81 214 206 243 214 258 390 118 191 148 214 89 170 184 110 125 191 155
16 273 163 148 163 103 214 184 155 221 229 199 118 155 265 125 199 155 125 103 89
17 133 184 191 148 199 191 191 184 140 221 110 15 51 23 30 110 66 51 0 23
18 163 250 243 125 176 206 191 163 221 243 133 44 0 23 0 0 44 38 51 44 IV
19 96 206 199 199 229 148 155 155 118 199 89 0 125 23 8 8 0 0 0 38
20 235 229 221 163 118 191 59 235 140 148 23 23 0 0 0 15 0 38 74 15
a b c d e f g h i j k l m n o p q r s t

partida aleatoria 1 partida aleatoria 2 partida aleatoria 3

partida aleatoria 4 partida aleatoria 5

Figura 9.3 Muestreo sistemático con cinco partidas aleatorias

185
9.3 Muestreo sistemático doble por regresión con partidas múltiples aleatorias.
Se presenta este método alternativo como una forma de disminuir costos y tiempo.
Cuando se combina doble muestreo, recordar capítulo 8, análisis de regresión y
partidas múltiples aleatorias, el diseño de muestreo para el propuesto inventario
será de la siguiente forma:
1- La población se divide en M partidas aleatorias cada una de las cuales contendrá
N elementos.
2- De esta población de M partidas aleatorias se selecionarán m1 partidas al azar,

con lo cual la primera muestra contendra m1 N individuos o parcelas, los cuales

serán medidos en fotografías aéreas para las variables xij .

3-De los m1 se toma otra muestra de m y los mN serán medidos en una muestra

de campo para la variable yij . La muestra de tamaño m tendrá ambas medidas,

las xij de las fotos y las yij de campo para cada parcela. En este procedimiento se

esperan coeficientes de correlación   0.7 . Un estimador insesgado de la media

poblacional se obtiene por medio de:

TABLA 9.6 Muestreo sistemático con las cinco partidas aleatorias

UN CLU PAR VARIABLES DE LAS UNIDADES SECUNDARIAS suma suma

PR SIS ALE Yij Yij Yij2

1 C1 P1 184 148 89 38 383 199 184 155 206 118 170 155 118 148 0 15 2.310 454.634

2 C2 P2 214 206 110 30 258 309 110 89 273 324 191 176 176 243 0 44 2.753 622.221

3 C3 P3 133 243 0 125 250 288 250 155 265 354 229 176 184 191 15 66 2.924 678.208

4 C4 P4 170 222 59 0 331 324 229 170 250 250 206 280 243 163 0 38 2.935 710.441

5 C5 P5 140 148 0 0 288 184 176 0 273 214 148 96 163 221 265 103 2.419 496.969

SUMAS 13.341 2.962.473

Yˆ  Y  b  X   X   9.30
en que Yˆ es la media poblacional estimada, y
m

Y i
Y  i 1
 9.31
m
media de medidas de campo para las m partidas aleatorias,

186
 N

y ij

Yi  j 1
 9.32 
N
media de las medidas de campo en la iésima partida aleatoria de la muestra m.
m1

X i
X i 1
 9.33
m1
media de las fotopartidas aleatorias para la muestra m1 .
N

x ij

Xi  j 1
 9.34 
N
media de las foto parcelas para la iesima partida aleatoria.
m

X i
X i 1
 9.35
m
media de las fotopartidas aleatorias para la muestra m.
m

 Y  Y  X
i i X
b i 1
m  9.36 
 X X
2
i
i 1

coeficiente de regresión para la muestra m. La relación de m a m1 para dar una

óptima rata de submuestreo, se da por la siguiente ecuación:

m  1   2   Cm 
  2  1   9.37  .
m1    Cm 
Al sustituir los valores del fotomuestreo dejado planteado en el capítulo 8, con
  0.7, Cm  700,0; Cm  40.000,0 , se obtiene una relación igual a 0.135, lo que
1

quiere decir que la submuestra óptima es de 14 partidas aleatorias para medidas de

campo por cada 100 partidas seleccionadas para fotomuestreo. Asumiendo que m1
hubiera sido en efecto 100 y que m hubiera sido 14, es necesario alterar la fórmula
presentada en el capitulo 8 para el cálculo del error estandard, ya que 1/m no
resulta insignificante, de acuerdo con Cochran citado por Shiue y John, 1962 así:
187
  
1  X   X 
2
  s y2  s yx
2

sY  s yx
2
  m    9.38
n
  X i  X   m1
2

 i 1 

188
10. INVENTARIO FORESTAL CONTINUO Y MUESTREO SECUENCIAL.

La mayoría de tareas convencionales en inventarios, para próximas explotaciones

como obtención de ciertas calidades de uso y especies, pueden llevarse a cabo por
medio de los procesos estudiados en los capítulos precedentes, y las especificidades,
así como lo complejo del trabajo en este sentido depende en mucha parte del grado
de desarrollo de la economía forestal.
Cuando se entra al contexto del manejo sostenido, se necesitan controles periódicos
y revisiones permanentes de las actividades de manejo, una de las cuales es por
supuesto la estimación de las existencias, o del crecimiento para una mejor
planeación de actividades. De ahí surge la necesidad de los inventarios sucesivos,
altamente penetrados por el tiempo como elemento de cambio de las condiciones del
bosque en dos períodos distintos de medición. La primera noción de inventario
continuo lo dan entonces los estudios del rendimiento y el crecimiento con el uso de
parcelas permanentes. Stott y Semmens, citados por (Loestch y Haller, 1964) lo
definen como "una medida precisa, frecuentemente repetida y directamente
comparable de todos los árboles comerciales ubicados en parcelas sistemáticamente
colocadas, de radios fijos y permanentemente localizadas en el bosque".
Habría que añadir que los inventarios continuos también contemplan el uso de
parcelas temporales. Se le conoce también como muestreo sucesivo, secuencial en el
tiempo, que además de estimar las condiciones presentes del bosque, podrá estimar
los parámetros silviculturales en el futuro. Para ello supone: un buen manejo del
bosque y continuidad de vocación en relativos largos períodos de tiempo.
La peculiaridad de casi todos los diseños enmarcables en este concepto es la
localización fija de algunas de las parcelas, lo cual asegura el establecimiento de
regresiones entre atributos obtenidos en intervalos sucesivos de tiempo. Se presta
básicamente para abordar dos situaciones muy concretas: La estimación del
parámetro presente como volumen, área basal y número de árboles; y, la estimación
de sus cambios.
10.1 Notaciones generales.
Para manejar bien los conceptos se requiere de una buena nomenclatura, similar a

189
la propuesta por (Loetsch y Haller,1964). De acuerdo con ella se llamará "período A",
al período inicial de medición, en el cual un atributo X, será medido o enumerado en
n A unidades de muestreo. En el período siguiente, "período B" el valor del mismo
atributo que por convención se llamará Y será medido o enumerado en nB unidades

de muestreo. Si todas las parcelas se remiden en ambos períodos, n A = nB .

Ya y Yb son entonces las notaciones para el valor del mismo atributo (volumen, área
basal, número de árboles) medidos en diferentes fechas de dos períodos. No se
necesita que las mismas parcelas se midan en ambos períodos, pero sí que las
parcelas constituyan una muestra representativa y aleatoria. En este caso para
obtener regresiones de Y en X basta con remediciones de solo una parte de ellas que
np
serán parcelas permanentes, cuyo número será . El número de parcelas
temporales medidas en ambas ocasiones será entonces nAt y nB t . El índice p

significa permanencia y t temporalidad. De acuerdo con ello entonces:

nA  np  nAt y nB  np  nBt 10.1

En A se determina el estadístico muestral X que estimará al parámetro poblacional

 x . Estimados de este también lo son X p a partir de las permanentes n p y X t t de las

n At
temporales.

En idéntica forma se mirarían los estimados de

 x , que serán s x , sx p y sxt . En B se


determina el estadístico muestral Y que estimará al parámetro poblacional y , con
Yp np n
sus estimados, a partir de las permanentes y Yt de las Bt temporales, y los

y sy sy p s yt
estimados de , que serán , y Las regresiones de Y en X se calculan para
np  xy
las parcelas , con lo cual se tiene un estimado de la covarianza y de su

coeficiente de correlación  , como:

E  sxy    xy ; y E r    10.2

190
10.2 Estimación del volumen establecido.
El volumen establecido, en pie o permanente, es también llamado el volumen
corriente, el volumen de las existencias presentes en los rodales o el bosque en el
momento de la medición, alguno de los momentos A o B ya definidos, o en
posteriores ocasiones. El volumen corriente promedio por ha, o el volumen presente

será entonces, en la primera ocasión

 x o  y en la segunda. El principal objetivo del

y
inventario continuo es entonces obtener el mejor estimado, eficiente de . En la

ocasión A se obtiene el estimado X , pero en B se obtiene el estimado Yb en que la b

y
significa que es el mejor estimado buscado de . Lo más importante que subyace
detrás del inventario forestal continuo es la aplicación de técnicas de análisis de
regresión a muestreos sucesivos de muestras de un determinado tamaño y que
consecuente con ello los costos en la ocasión B se reduzcan al mínimo. Se pueden
resumir los objetivos de este tipo de muestreos (Lema, 1986) como:
- Estimar parámetros y características en un primer inventario,
- Repetir el suceso varias veces, para lo cual cada primer inventario es el del período
anterior, y
- Estimar los cambios del bosque entre los años extremos del período.

Además de lo anterior el procedimiento puede estudiarse bajo diferentes aspectos en

cuatro versiones:
1- Midiendo únicamente parcelas temporales en A y en B.
2- Trabajando en ambas ocasiones solo con las mismas parcelas permanentes.
3- Con pareclas permanentes y temporales en la primera ocasión A, pero solo
remedición de permanentes en B.
4- Midiendo permanentes y temporales en ambas ocasiones A y B.
10.2.1 Estimación del volumen establecido midiendo únicamente parcelas

temporales en A y en B. Los estimados X t y Yt pueden ser calculados. El mejor

estimado de  y es en este caso Yt . En él, las nAt parcelas temporales de A no suplen

información que pueda mejorar este estimado, por lo cual acá, Yb  Yt y el calculo del

191
error estándar será entonces:
s y2t  y2
s 
2
Yb
estima 10.3
nBt nBt

10.2.2 Estimación del volumen establecido midiendo las mismas parcelas

permanentes en A y en B. En este caso se obtienen las medias muestrales X p y Yp .

Puede definirse aca una regresión de Y en X, pero ninguna información adicional útil
se obtiene de  x que permita mejorar los estimados, por lo cual se tiene entonces:
2
s yp  y2
Yb  Yp y, s  2
Yb
estima 10.4  .
np np
10.2.3 Estimación del volumen establecido midiendo parcelas permanentes y
temporales en A y sólo permanentes en B. Se pueden estimar X p , X t y Yp . Puede

definirse acá una regresión de Y en X, en que X t si proporciona información

adicional, en cuyo caso el estimado de regresión para Yb puede lograrse de dos

formas, la primera acudiendo a los muestreos bifásicos por regresión, a partir de X ,

como:

n p X p  nAt X t
X 10.5 ,
nA
la cual sustituida en la ecuación de regresión permite obtener:

Yb  Yp  bxy  X  X p  10.6 ,
en que bxy , es obviamente el coeficiente de regresión de Y en X. El error standard

cuadrado del estimado de regresión sera:

 1  r 2  r 2 
sY2b  s y2 
 np
  10.7  .
nA 
 
La otra forma, da un resultado idéntico sin necesidad de combinar X p y X t X ,

como lo propuesto en (10.5), y como se verá y ampliará al estudiar el cuarto caso. Se

partirá de la fórmula:

192
 Yb  aYp  bX t  cX p 10.8 ,
en que a, b, y c, son constantes. Como Yb y Yp son las esperanzas del mismo

parámetro  y , así como X t y X p lo son de  x entonces se sigue que a  1 y

b  c  0 , con lo cual c  b , y se podría llegar a:
Yb  Yp  b  X t  X p  10.9 ,
parecida a la ecuación (10.6). Acudiendo al método de propagación de los errores, se

puede calcular el error estándar cuadrático de Yb como:

s y2p  b2 sx2p  2brsx p s y p b 2 sx2t

s 
2
Yb
 10.10  ,
np nAt

que en términos paramétricos corresponde a la ecuación:

 y2  b2 x2  2b  x y b2 x2
 Y2b   10.11 ,
np nAt

en que la constante b se obtiene al diferenciar  Y2b con respecto a b,

   2b
d  Y2b 2
2b  x y 2b x2 2 x
db np
x

np

nAt

n p nAt

b x nAt   y nAt  b x n p  10.12
la cual igualada a cero da:
 y nAt  y nAt
 
b x nAt  n p   y nAt  0  b 
 x  nAt  n p 

 x nA
10.13

Por las propiedades de la regresión se puede ver que para las dadas entre Y en X y
entre X en Y se tienen los coeficientes:
y x
yx   ; y  xy   10.14
x y
por lo que la constante b de (10.13) es idéntica a
n At
b  yx 10.15 
nA

y la varianza de Yb puede ser obtenida como:

193
  y2 nA2t  2 y2 nA2t  2 y2 2  2 y2 nAt
 Y2b     10.16 
np nA2 n p nA2 nA n p
reescribible como:

 y2
 Y2b  2
n np
n 2
A  nA2t  2  nA2t n p  2  2nA nA2t  2  10.17 
A

cuando n At  n A  n p . Es posible otra transformación de (10.16) en:

 1     
 2

2
 Y2b   y2    10.18 ,
 np

nA 

ecuación igual a la ya obtenida (10.7). Entonces, el mejor estimado de y se obtiene

calculando:
nAt
Yb  Yp  byx  X  X p   Yp  byx  X t  X p  10.19  , en que
nA
np

 x i  X p  yi  Y p 
byx  i 1
np 10.20 
 x  Xp 
2
i
i 1

Si se escribe f A en vez de n p n A para la fracción de parcelas permanentes en el

período A entonces:
nAt
 1 fA  Yb  Yp  1  f A  byx  X t  X p  10.21 , y:
nA

 1  r  r 
 2

2
s s 
2
Yb
2
yp   10.22 
 np nA 
 
cuyo resultado significa que el estimado de Yb es suficientemente preciso sí en el

período B, únicamente las parcelas permanentes n p del período A son medidas y su

correlación alcanza valores significativos, siendo naturalmente el número de parcelas

permanentes menor que las temporales.

194
10.2.4 Estimación del volumen establecido midiendo parcelas permanentes y

temporales en A y en B. De la muestra es posible conocer: X p , X t , Y p , Yt así como

definir la regresión de Y en X, iniciando con el modelo:

Yb  aX t  bX p  cYp  dYt 10.23 .

 
Sí y  E Yt  E Y p      
y x  E X t  E X p , se da que a + b = 0 y c + d = 1, con

lo cual d = 1 - c, y se podría llegar a:

Yb  a  X t  X p   cYp  1  c  Yt 10.24 ,
con varianza para Yb dada por:

 1 1  c  y 2ac  x y 1  c   y
2 2 2

 Y2b  a 2 x2   
 nA n p  n p
  10.25 .
 t  np nBt

El estimado más eficiente Yb se obtiene sí las constantes a y b son determinadas por

un método que minimice su varianza. Es necesario entonces diferenciar  Y2b , con

respecto a: a y c para eliminarlas de las ecuaciones normales. Para simplificar los

cálculos la ecuación de varianza se expresa como:

a 2 x2 a 2 x2 c  y  y 2c y c  y 2ac  x y
2 2 2 2 2 2

 2
Yb
       10.26  .
nAt np np nBt nBt nBt np

Tomando las derivadas con respecto a: a y a c se tiene:

 
d  Y2b 2 x
d a nAt n p

n p x2  nAt a x  nAt c  y  10.27 
 
d  Y2b 2 y
d c nAt n p
n Bt c y  n p y  n p c y  nBt a  x  10.28
de las cuales se obtienen a y c así
y n pn A n pn At
a t
; c 10.29 .
 x n An B  n A n B  2 
t t
n n
A B  n At n Bt  2 
y
El mejor estimado de será entonces (10.24), con

195
 sy n pn At n pn At
a r ; y c 10.30  .

sx n An B  n At n Bt r 2
 n n
A B  n At n Bt r 2 
El error standard de b, se puede obtener como:

 c 2 1  c   2acrsx s y
2
 1 1 
s a s 
2
   s y2  
2 2
 nA n p   np   10.31 .
nBt 
Yb x
 t   np

Sí la correlación entre Y y X es alta, entonces

Yb b es un mejor estimado de y que

Y pues su error estándar es menor.

10.3 Estimación del cambio en volumen.
y x
Para estimar los cambios en volumen, se parte de la mejor diferencia entre y

para lo cual se usará la notación

 b , y a la verdadera magnitud de la diferencia se la

denominará   :

   y   x, b  Yb  X b 10.32 .
Como en el muestreo anterior se dan las cuatro situaciones ya anotadas.
10.3.1 Estimación de las diferencias del volumen midiendo únicamente
nAt Xt .
parcelas temporales en A y en B. En el período A se miden nAt y se obtiene
nAt nBt
En el período siguiente B se miden independientes de las anteriores, , y se

obtiene
Yt . El estimado de   puede obtenerse como:

b  Yt  X t 10.33 ,
b
sin que pueda estimarse alguna covarianza, por lo que únicamente la varianza de
podrá obtenerse como:

 y2  x2
 2
b   10.34 
nBt nAt

10.3.2 Estimación de las diferencias del volumen midiendo las mismas

parcelas permanentes en A y en B. En este caso, después de medir en ambas
Xp Yp
ocasiones las mismas np se obtienen las medias muestrales y . El valor
196
estimado de la verdadera diferencia es entonces:
np np np np

 yi   xi   yi  xi   i
 b  Yp  X p  i 1 i 1
 i 1
 i 1
10.35
np np np
Esta diferencia puede obtenerse de las medias muestrales o de las observaciones

simples y consecuente con ello es posible también calcular la varianza de

b

directamente de las diferencias entre las unidades individuales como:

 2  y2  2 xy   x2
 2
b   10.36
np np

o también expresada en terminos de

 ,  x y  y sí  xy   x y así:

 2  y2  2 x y   x2
 2
b   10.37  ,
np np
en que se debería obtener un error standard considerablemente mas pequeño que el
error del numeral 10.3.1, en caso que la correlación resulte significativa.

10.3.3 Estimación de las diferencias de volumen con parcelas permanentes y

temporales en A y solo permanentes en B. Se puede empezar de nuevo
estableciendo la ecuación:
b  aYp  bX p  cX t 10.38
   y   x ,  y  E  Yp  x  E  X p   E  X t 
Como se vió, en (10.32): y ; y por lo
a  1; b  c  1; c   1  b 
cual , y se puede escribir la ecuación vista como:
b  Yp  bX p  1  b  X t 10.39 .
De acuerdo con el método diferencial de propagación de los errores es posible
b
calcular la varianza de como:

 y2  2b  x y  b2 x2 1  b   x2
 2
b   10.40  .
np nAt

La constante b se obtiene entonces por diferenciación e igualación a cero, como

sigue:

197
 
d  2b   2b 2
x  2  x y

2b x2  2 x2
10.41
d b np np
que es igual a:


d  2b  2 x
d b n p nAt

nAt b x  nAt  y  n pb x  n p x  10.42
la cual igualada a cero da:


d  2b   0  b
d b
x  
 nAt  n p  nAt  y  n p x 10.43 ,

de donde:
nAt  y  n p x
b  10.44 
nA x

np
Si se escribe f A en vez de para la fracción de parcelas permanentes en el
nA
período A entonces
b   1  f A  yx  f A  f A yx  yx  f A 10.45
El mejor estimado de   será entonces:

b  Yp  bX p  1  b  X t , con b  f Abyx  byx  f A 10.46 .

La varianza de este mejor estimado ha sido correctamente definida, por lo que en
términos de los estimados se tiene:

s y2p  2brsx s y p  b 2 sx2 1  b  sx2

s 2
b   10.47  ,
np nAt

aunque esta expresión no permite visualizar inmediatamente la dimensión de la

reducción del error standard en comparación con un muestreo que use apenas
parcelas temporales.
10.3.4 Estimación de las diferencias de volumen midiendo parcelas

permanentes y temporales en A y en B. Se conocen de la muestra X p , X t , Y p , Yt y

es posible definir un buen estimado de   algo diferente a lo hecho en 10.2.4 que

198
permita otro buen estimado para  x :

b  Yb  X b 10.48 .
Para Yb ya se habían presentado las ecuaciones (10.24) y (10.30) para las cuales

denotaremos en vez de los coeficientes a y c unos nuevos que se llamarán a y y c y :

X b  axYt  bxYp  cx X p  d x X t 10.49 .

 
Sí  y  E Yt  E Yp  y x  E  Xt   E  X p 

se sigue que ax  bx  0; c x  dx  1, entonces bx  ax ; dx  1  c x , con lo que:

X b  ax Yt  Yp   cx X p  1  cx  X t 10.50

La varianza de
X b , calculada por método diferencial de propagación de los errores

se obtiene como:

  y2  y2  cx2 x2 2ac  x y 1  cx   x2
 2
Xb
a   
 nB n p  n p
2
x   10.51 .
 t  n p nAt

Con ayuda del cálculo diferencial de esta ecuación pueden eliminarse a x y c x así:

x n pn B n pn Bt
ax   t
; cx  10.52
 y n An B  n A n B  2 
t t
n n
A B  n At n Bt  2 
x
en que:    xy con las cuales se puede derivar:
y

b  Yb  X b  ay  X t  X p   cyYp  1  cy  Yt  ax Yt  Yp   cx X p  1  cx  X t 10.53 ,

que se puede rescribir como:

   
b  Yt 1   ax  cy   X t 1   ay  cx   Yp  ax  cy   X p  a y  cx  10.54
Si se denotan:

A   ax  c y  ; y B   a y  c x  10.55 ,
se puede escribir (10.54) como:
b  AYp  BX p  1  A Yt  1  B  X t 10.56 ,
en que A y B también son

199
 A

n p  xyn Bt  n A  ; B

n p  xyn At  n B  10.57  .
n n
A B  n At n Bt  2
 n n
A B  n At n Bt  2

La fórmula para la varianza de Δb, también por medio del método diferencial de
propagación de los errores se obtiene como:

A2 y2  2 AB  x y  B 2 x2 1  A y2 1  B   x2
 2
b    10.58 .
np nBt nAt

Tampoco en este caso es reconocible en que forma la inclusión de las parcelas

permanentes reduce el error estándar, pero como en un caso similar al del volumen,
la experiencia demuestra que se dan reducciones ventajosa de él, en valores que
para muchas muestras consultadas significan reducciones mayores de un 40% y
más de ellas. De todos modos buscar la optimalidad en estos diseños es motivo de
trabajos intensos y de investigaciones. Sin embargo se pueden adelantar algunas
intuiciones como la de que el cambio en volumen debe presentar mayores rangos de
errores, en las mismas versiones estudiadas.
Retomando el comentario de Stott y Semmens al principio del capítulo, se observa
que al hablar de radios fijos se pierde versatilidad en los diseños, ya que muchos de
ellos tienen su óptimo con parcelas diferentes a las circulares, como sucede en
muchos muestreos de regeneración natural. Sin embargo al trabajar con parcelas de
radio fijo, también se escogen diversos radios de acuerdo a la dimensión de los
árboles que se vayan a muestrear. Entonces se debería escoger un radio lo bastante
grande para árboles de pequeño tamaño y lo suficientemente pequeño para los
grandes. Los radios diferenciales también conllevan disminuciones de correlación
como resultado de ello, tanto que no se considera la solución más afortunada la
adopción de parcelas circulares de radios variables para resolver el problema de
bosques de existencias muy irregulares.
Las parcelas permanentes deben observarse por mucho tiempo, hasta que las
propias observaciones demuestren la necesidad de cambios de tamaño. A veces la
localización de las parcelas en el segundo inventario puede resultar más costosa que
el establecimiento de nuevas parcelas temporales, por cambios en el mapa, personal
que las ubicaba, borrada de placas y árboles, confusión de permanentes y

200
temporales de períodos anteriores, etc. Quizás lo que más influye sería lo relativo a
los costos, sus relaciones entre temporales y permanentes y los de mantenimiento.
10.4 Costos en inventarios continuos.
El diseño del inventario continuo es laborioso. Existen propuestas como las de
funciones de Lagrange que permitiría acercarse algo a los diseños óptimos. Como el
tema es complejo se puede acudir a un estudio de (Ware y Cunia, 1962), para
resolver algunas inquietudes al respecto, basadas en la razón de costos con respecto
a la estimación del volumen promedio de las existencias en el segundo período,

C  nBt ct  n pc p 10.58 ,
en que c t , costo por parcela temporal, c p costo por parcela permanente. Las

fórmulas para el número óptimo de parcelas temporales y permanentes en la

segunda ocasión B las expresan como:

nA 1    
2
c   y2 n A  c t 1   2  
np 
2
 t 
 cp 1     ;
2
n Bt  2  2 1
Y   cp


10.59 ,
  b
 
en que  Yb , es la precisión exigida del estimado del volumen en la ocasión B. La
2

fórmula de n p esta ya inserta en n A Por ello es posible encontrar la fracción óptima

de parcelas permanentes para la ocasión A como:

np 1    
2
c 
fA 
nA

2
 t 
 cp 1     10.60  ,
2

 
que se considera una buena opción ya que el único valor extraño es el coeficiente de
correlación, lo cual permite cálculos para varios de ellos o hacer un premuestreo que
nos de su valor probable.
10.5 muestreo secuencial.
Está constituido, como en el caso anterior, por una serie de muestras cada una de
las cuales incluye todas las unidades de muestreo anterior, pudiéndose despreciar el
tiempo transcurrido entre dos muestras sucesivas o considerarlas simultáneas. Este
tipo de muestreos es de carácter decisorio acerca de ciertos fenómenos de una
población con una muestra relativamente reducida. (FAO, 1974) reporta el siguiente

201
ejemplo que da una idea del proceso. Supóngase que es necesario decidir entre
limpiar o no una plantación de maleza. Se divide la plantación en líneas iguales de a
20 plantas. Las líneas se seleccionan al azar constituyendo las muestras sucesivas
en cada una de las cuales se registra el número total de plantas sin maleza. Cada
muestra extraída, incluye las de la muestra anterior y algunas adicionales, y así
sucesivamente. En un plano cartesiano se coloca en las abscisas el número de
árboles observados por muestra y en el de las ordenadas el número de árboles libres
de maleza en cada muestra. Además se incluyen en dicho gráfico dos líneas
paralelas que dividen el plano en tres regiones que permitan decidir sobre limpia
innecesaria, continúa el muestreo o limpia necesaria, Figura 10.1.

Figura 10.1 Muestreo secuencial para limpias de maleza

De acuerdo a la posición relativa de los puntos representaivos de las últimas

muestras se detien el proceso de muestreo y se adopta la decisión pertinente.
Las regiones tienen sus rectas como funciones de:
La distribución del parámetro de decisión en la población analizada, ejemplo número
de árboles libres de maleza por línea de acuerdo con alguna regla, o a una
distribución de Poisson por ejemplo. La proporción mínima para que no sea
necesaria la limpia se decide en porcentaje de acuerdo a conceptos expertos,
estudios previos, etc. Por ejemplo si el 60% o más están libres de maleza. Así mismo
la proporción máxima, por ejemplo 50%.

202
11. PLANIFICACION Y EJECUCION DE LOS INVENTARIOS

Todo proceso de muestreo para dar garantías de su eficiencia requiere la

formulación de un plan para agotar al máximo las posibilidades de error y de
escasez informativa al menor costo posible, y hablando estadísticamente de criterios
de optimización. Se abordarán estos temas aunque sea incipientemente, pues
algunos deben surgir aun de las intuiciones propias del inventariador.
Un inventario globalmente debe ser concebido como un proyecto y manejado como
tal, con las técnicas y procedimientos que guíen su formulación y evaluación. Cada
uno es diferente al cambiar sus condiciones por lo cual no existe una forma
sistemática de planificación. Se dará una guía sobre unas etapas y principios
considerados importantes que al ignorarse podrían retrasar y volver costosa la
colección de la información.
La planificación deberá partir de unos objetivos claros para llegar a una información
final utilizable en otras actividades responsables de la toma de decisiones de todo
tipo con grandes implicaciones económicas. Esto se podría resumir en "fijar unos
objetivos y buscar la forma de lograrlos, dentro de un concepto económico preciso.
11.1 Objetivos y naturaleza de la información básica buscada para un
Inventario.
Es necesario recalcar sobre la necesidad de definir y precisar bien los objetivos
buscados al colectar la información, como la parte básica que oriente el diseño de
cada una de las operaciones para lograrla, usando unas técnicas que son comunes,
que hacen prever que un inventario diseñado con un fin, puede no tener utilidad
para otro. Básicamente lo que debe definirse antes del inventario es la naturaleza de
la información buscada pues ésta gobierna los objetivos de aquel, por lo que deberán
quedar muy bien definidos antes de abordar el proceso conjuntamente con la
entidad que utilizará la información. Ha sido error muy frecuente dejar este criterio
al especialista en inventarios, con base en experiencias previas, por lo cual se han
multiplicado repeticiones de un mismo proceso a costos enormes y sin los beneficios
reales esperados.

203
11.1.1 Preparación del inventario. Como parte dominante de la rutina total,
debiera involucrar a todos los especialistas que esperan la información, acá se puede
definir la naturaleza y complejidad del inventario. Cuando no es posible lo anterior o
haya vacíos entre quienes manejarían los resultados, o no fuera posible contactar a
los especialistas, o queden dudas acerca de los verdaderos objetivos pretendidos, la
utilización de otros inventarios realizados podría subsanar en parte el procedimiento.
Aunque los objetivos pueden evolucionar durante el proceso, se debe dejar acabada
en un alto porcentaje su filosofía, especialmente en eventos de cierta complejidad. La
preparación del inventario debe entonces priorizar ciertas etapas, iniciando con los
objetivos.
11.1.2 Prioridad de los objetivos. Esta prioridad debe responder a las siguientes
preguntas: ¿Qué y cómo se busca la información?. A veces aparecen objetivos
paralelos, lo que implica reforzar ambas facetas pero recalcando que la naturaleza
misma de cada una de estas actividades puede ser fundamental, y que el logro de
una de ellas, puede abaratar (o encarecer) y mejorar (o deteriorar) el otro objetivo.
Una buena técnica sería una encuesta metódica en la que no sobre ninguna
pregunta y quizás en que sea más el "descarte" que la suma de elementos,
configurando un especie de inventario de inquietudes, enmarcados casi siempre
criterios de cuantificación y/o reconocimiento.
La cuantificación busca generalmente aquellos indicadores importantes a la
silvicultura y a la economía: volumen/ha, área basal/ha, número de árboles/ha,
volúmenes comerciales. El reconocimiento puede buscar especies, su repartición,
estado sanitario, posición sociológica, estado del bosque, posibilidades económicas,
aspectos científicos, naturaleza del bosque, tipos de suelos, aspectos sociales,
técnicos o políticos. De esta fuente informativa deben salir claramente definidos los
objetivos básicos del inventario, teniendo en cuenta que cualquier información
adicional solicitada con posterioridad puede perturbar y encarecer el proceso a
límites insospechados. Es necesario recordar que prioridad y economía van
estrechamente ligadas en el proceso. No definir las prioridades en el contexto
económico puede traer repercusiones multiplicativas de toda índole, hasta volver
ineficiente el proceso.

204
11.1.3 Prioridades externas o concomitantes. Son aquellas generalmente
temporales, económicas y procedimentales que acompañan la labor. Las temporales,
hacen referencia a la disponibilidad de tiempo para recabar la información,
constituyéndose casi en una prioridad tipo uno, debido a su costo, por las muchas
implicaciones que este genera en equipos, instrumentos, mano de obra y capitales,
si se manejara el concepto de lucro cesante. Es necesario un cronograma más o
menos rígido que defina la temporalidad de las labores, sin mucha oportunidad de
cambios improvisados.
Las prioridades económicas, rigen en gran parte la marcha futura del proceso, y
algunas veces lo definen y lo controlan tanto, que pasando por encima de las
necesidades básicas lo manejan totalmente como el capital disponible. Un capital fijo
atenúa las exigencias que puedan hacerse acerca de la precisión.
Las prioridades procedimentales, salen a flote en varias etapas del proceso. Son las
que surgen precisamente de una buena planificación, como toma de decisiones
sobre el diseño más apropiado, tamaño de parcelas y configuración de los equipos.
11.1.4 Información adicional. Por la naturaleza económica y logística misma del
proceso, los costos generados para la recolección de cierta información adicional se
vuelven insignificantes, como la simple observación rutinaria volcable a un
formulario sin detenimiento de los tiempos de marcha, sobre todo en áreas sin
inventariación previa. Otro tipo de información, puede ocasionar por el contrario
grandes insumos de tiempo y gastos y si es necesaria deberá programarse con sus
respectivos costos en el esquema total.
Entre la información adicional fácil de tomar está: la pendiente, obstáculos en el
terreno, forma aproximada del bosque, áreas con pantanos, lagunas, estado del
suelo con respecto a posibles vías de extracción, presencia o ausencia de
regeneración natural. En resumen, la que pueda dar un conocimiento primario del
bosque.
11.2 Información característica para el logro de los objetivos. Cada inventario
requiere de una información específica que soporte y sustente las etapas posteriores,
después de definir lo que se busca, y como se busca.
11.2.1 Area de inventariación. Debe quedar totalmente definida, antes de abordar

205
el proceso. Cuando no es posible se debe acudir a métodos económicos para
lograrla, aunque sea una primera aproximación. Es necesaria toda la información
gráfica posible: mapas, fotografías aéreas y planos existentes. El área controla gran
parte de los cálculos futuros del inventario.
11.2.2 Definición de áreas secundarias. Es necesario llegar con cierto grado de
precisión a definir áreas importantes dentro del área total como los estratos. Esto
puede hacerse por condiciones ecológicas, edad, uso de la tierra ordenación y
manejo y topografía, con base en visitas de campo o con ayuda de sensores remotos.
11.2.3 Características específicas de las ayudas gráficas. De acuerdo con los
objetivos es preciso definir escalas para mapas y fotos.
En cuanto a los mapas es deseable ampliarlos, las fotos aéreas deben seleccionarse
de acuerdo con unas condiciones previas: tamaño, economía y necesidades del
bosque y de quien solicita la información. Cartográficamente es indispensable un
buen plano del bosque que indique: escala, orientación y límites de los estratos o
parcelas trazadas con el máximo de precisión, a escala siguiera entre 1:2000 a
1:10.000, de acuerdo con la extensión del bosque, con el fin de ser utilizados por
cada equipo de inventario, o por lo menos su área correspondiente. Estos planos
deberán tener elementos auxiliares, rejilla kilométrica y otros detalles
suplementarios que ayuden a encontrar lo más fácilmente posible las parcelas.
11.2.4 Definición de precisión. De acuerdo con la finalidad última o con otras
necesidades, es prioritario definir, a un nivel dado de probabilidad, la precisión con
la cual se esperan los estimados.
Generalmente se asume el error de muestreo como el parámetro más importante de
ser determinado antes de iniciar la labor, pues controla en gran parte el proceso,
sobre todo en lo referente al número de muestras necesarias para satisfacerlo.
Generalmente se trabaja con el 95% de confianza estadística.
Es común en inventarios referirse sólo al error de muestreo, que es solo una parte
del error total y calculado con base en los datos de los parámetros medidos en las
unidades de muestreo. Este mide apenas la precisión en sentido estadístico. Pero la
otra parte, el sesgo, que puede resultar de los procedimientos de muestreo en sí
(tamaño de parcelas, equipos humanos y técnicas utilizadas, descuido o mal manejo

206
de la toma de información, etc.), pocas veces es evaluado, llegando a ser el concepto
menos estudiado, como se abordará sucintamente más adelante. El error debe
manejarse con concepciones éticas del proceso. En la medida que el trabajo sea
efectuado con unos patrones de comportamientos rigurosos en cuanto a la toma de
la información, será disminuido hasta los límites posibles físicos esta parte del error
total. A veces, es más necesario controlar esta parte del proceso que la misma
precisión estadística. Podría presumirse que los patrones regulares de
comportamiento para la toma de la información, en la medida que se sistematizan
así sea no muy técnicamente, reducen los errores de muestreo.Con respecto a la
definición y concertación de la precisión y error total debe quedar constancia de
ambas instancias.
El error total, debe quedar claro, hasta en forma contractual. Es vital esta parte del
proceso y debe definirse de antemano ya que ciertos errores, cuantitativos y
cualitativos obligarán a reparar aquellas parcelas en las cuales sean detectados. Por
ejemplo con respecto al área de la unidad, elementos faltantes o sobrantes en ella,
errores groseros en la toma de la información.
Con respecto a la definición de la precisión, debe referirse a la población principal
objeto del inventario, ya que no es lo mismo calcularla para el volumen total (que
generalmente la gobierna), que para el volumen de determinadas especies u otras
características, como los rangos de utilización. Por ello, debe quedar definido el
concepto poblacional que sea soporte del error. No obstante lo anterior, en caso de
entregar otros parámetros, se deben acompañar de sus respectivos errores, para no
utilizar información que supere ciertos límites de confianza.
11.3 Información general.
Orienta el proceso a cualquiera que deba tomar parte en él o en etapas posteriores a
las mencionadas: funciones, labores y otros informes enmarcables en un esquema
simple.
11.3.1 Responsabilidad del Proceso. Es necesario definir la autoridad del
proceso, así como una división del trabajo y repartición de responsabilidades: un
director general, coordinadores de área para manejo de equipos, entrenamiento,
consecución de personal, material y de procesos logísticos físicos de manejo de la

207
información. A lo sumo dos ó tres personas de acuerdo con una red diseñada de
funciones y tiempos.
11.3.2 Información básica. Toda la información necesaria que posibilite el proceso,
desde apoyos logísticos, gráficos, estudios e informes anteriores, que puedan
subsanar alguna carencia informativa como la sociología de la zona, disponibilidad
de mano de obra, grado cultural, salarios medios, estado de vías, costos de acceso,
facilidades de transporte, climatología, grados de dificultad posibles, etc.
11.3.3 Recursos disponibles. Lista de elementos como transporte, personal,
equipos de medición, tablas auxiliares (de altimetrías, conicidad, y volumen
especialmente) y de otros equipos (de campaña, oficina, etc.)
11.3.4 Redacción resumida del proyecto. Para evitar malas adaptaciones o
interpretaciones debe redactarse el proyecto, con una introducción, descripción del
bosque y los planteamientos esenciales del inventario, los objetivos, fichas para el
terreno, convenciones que permitan escribir lo menos posible en el campo para
especies, parámetros necesarios, y todos los elementos que al ignorarlos perturben el
normal desarrollo de la actividad.
11.4 Diseño del muestreo. Consideraciones Generales.
Se hará énfasis que es la parte vital del proceso de muestreo.
11.4.1 Premuestreo o muestreo piloto. Sin exagerar, por encima de muchas
consideraciones técnicas, este da las claves precisas para un buen inventario. Sería
una fase obligatoria por su primer efecto de tipo económico. Por ser un muestreo a
pequeña escala, una vez confirmado puede reproducirse a niveles macro. Las
decisiones salidas de él tienen carácter lo más estable posible sin fuertes
transformaciones posteriores, por sus efectos financieros y logísticos. Su primera
labor es verificadora en múltiples instancias y correctora en otras y sobre todo
fijador de las pautas estadísticas con un buen nivel de aproximación. De él se espera
la información global que cubra desde el tamaño, forma y número de las unidades
de muestreo, hasta dejar funcionando lo más perfectamente posible los formularios y
equipos de personal y de campo, así como estimadores insesgados, dentro de lo
posible, de los parámetros del bosque.
11.4.1.1 Tamaño y forma de las parcelas. Dado que los estadísticos pueden ser

208
obtenidos con parcelas de cualquier tamaño y forma, aunque la precisión y costos
puedan variar significativamente, se debe tener en cuenta que las unidades
pequeñas de muestreo pueden resultar más eficientes que otras mayores para una
misma intensidad, aunque hay un límite para ello, de acuerdo con lo estudiado en el
capítulo 1 con respecto al aumento del coeficiente de variación, sobre todo cuando
su número es grande ya que se aumentan los grados de libertad. Existe un óptimo
tamaño aunque difícil de hallar, que será abordado al final del capítulo.
Se puede generalizar que la mejor parcela es aquella que reúna un número
representativo de árboles de modo que su tiempo de medición sea un mínimo. (Spur,
1953) recomienda que el tamaño mínimo de una parcela debe contener unos 20
elementos para rodales densos de pequeños árboles para que puedan funcionar
perfectamente. Una forma práctica de operar consiste en establecer series
concéntricas de parcelas de diferentes tamaños, contabilizando de acuerdo con la
magnitud de las características mensurables como se aprecia en la Figura 11.1
aunque realmente no existen criterios definidos acerca del tamaño y forma de ellas.

Figura 11.1 Parcelas circulares concéntricas, para diversas tomas de información.

11.4.1.2 Diseño y manejo de formularios de campo. Actividad prioritaria de las

más descuidadas. Un buen diseño del formulario facilita y abarata el proceso, siendo
los objetivos los que orienten su diseño. Los formularios son desde auxiliares,
utilizables para completar información, hasta los finales. Esta labor debería lograrse

209
desde el premuestreo pues cambios posteriores tendrían una incidencia marcada en
costos, por tiempos residuales que detienen la labor fundamental.
Un buen formulario de campo no necesita mucha explicación. Sin embargo, cada
uno debe quedar descrito en el proyecto de modo que se eviten dudas en el campo,
ante la ausencia del responsable. Debe ser claro, normativo, secuencial y permitir
una manipulación fácil y efectiva de la información, sobre todo en la fase final de
cálculos. Por contener la información de primera fuente, se vuelven intocables una
vez concluida la labor. En lo posible, deben reportar los errores y no permitir
enmendaduras. Los datos equivocados deben adoptar una convención para no
tenerlos en cuenta. No deben ser traslados a limpio.
Se deben calificar en el premuestreo, o sea desarrollar toda una labor evaluativa que
abarca todo el lapso desde su concepción, hasta su uso final con ensayos
generalmente de prueba y error, en que debe participar desde el director del proceso
hasta los operativos que los manejarán en el campo.
11.4.1.4 Entrenamiento de los equipos. Otra labor importante que vuelve valioso
el premuestreo, pues busca calificar a los operarios en toda la actividad secuencial.
Debe cumplir varias fases importantes como: dar a conocer las decisiones
importantes acerca de las técnicas de muestreo a utilizar y la forma de hacerlo
eficientemente, calificación de la destreza adquirida en la ubicación de sitios por
medio del manejo de brújulas, mapas y fotos aéreas, equipos de medición,
formularios, habilidad de orientación, y por último, generar una normatividad para
acciones de último momento o que cambien bruscamente, sin que se altere la
secuencia fundamental ni el espíritu del muestreo.
Un equipo normalmente estará compuesto por tres o cuatro personas, de las cuales
una se encarga de la dirección de la toma de muestra y de la supervisión de la
calidad del trabajo efectuado. Habitualmente el jefe hace de apuntador. Las otras
personas hacen de orientadoras (dirección de las líneas, distancia entre parcelas,
etc.) y el operador quien toma medidas, pinta árboles, ayuda en la determinación de
las parcelas, además de un trabajador de campo.
Es imposible dar un estimativo del número de parcelas logradas/equipo/día, pues
ello depende de la dificultad de acceso al bosque, distancia entre parcelas,

210
vegetación, además de lo complejo o no de las medidas a tomar, y de la capacidad
personal de los integrantes. Se podría fijar un poco, un límite de rendimiento por
día, de acuerdo con el premuestreo. En condiciones de topografía accidentada difícil
es posible lograr unas 2 a 3 parcelas de 1/40 de ha. En condiciones cómodas hasta
4- 5 parcelas día, aunque esto pueda resultar bastante relativo. El premuestreo
colabora en esta decisión.
11.4.1.5 Decisiones lógico matemática y cálculos. En el premuestreo se puede
detectar una serie de problemas acerca de la conveniencia e inconveniencia de
ciertos procesos matemáticos, que no pueden dejarse para la fase efectiva del
proceso, ya que conducirán a la cuantificación final de los datos. Concluido el
premuestreo, deberán quedar tomadas las decisiones acerca de las tablas de
volumen, tipos de instrumentos, unidades, relaciones a utilizar, norma final de los
procedimientos de cálculo y la forma de lograrlos, programas de computadora, etc.
11.4.1.6 Mérito fundamental del premuestreo. Bien concebido, es el instrumento
logístico-estadístico que permite dar el veredicto de la forma más eficiente del método
de muestreo, del número de muestras necesarias a partir de coeficientes de variación
y de los errores obtenidos en primera instancia. Se puede afirmar entonces que es en
pequeña escala el proceso global y que requiere, guardadas las proporciones, el
mismo cuidado del proceso total.
11.5 Diseño de muestreo en sí.
Una vez analizada suficientemente la etapa anterior, que no debiera eliminarse
nunca, se busca corrección a los desajustes encontrados y afinar completamente las
diferentes bases estructuradas en cronogramas o diagramas de Pert, que conduzcan
a un manejo integral del proceso. Al final, se dará sintéticamente una lista de
actividades que podrían ser base para abordar cualquier proceso, ya que bastará
repetir lo enunciado para el premuestreo. La labor tiene mucho de técnica, de
ciencia, pero sobre todo una parte experimental e intuitiva que irá acrecentándose
con el tiempo. Se quiere dejar constancia que es una labor de equipo más que de
personas individuales cuando se superan ciertas extensiones y objetivos.
11.6 Labores esquemáticas para un inventario.
Más que unos conceptos es una lista de ellas con algunos comentarios.

211
11.6.1 Personal especializado. En lo posible el personal debe ser especializado en
todas las acciones que requiera el inventario (Ingenieros Forestales, otros
profesionales, personal de computador).
11.6.2 Definición de objetivos. Priorización de ellos. Objetivos básico vs
necesidades fundamentales de información. Objetivos secundarios- Información
adicional.
11.6.3 Información básica de soporte. Superficie. Posibles estratos. Mapas.
Fotografías aéreas u otros sensores remotos. Visitas de campo previas. Informes
preliminares o antecedentes
11.6.4 Definiciones acerca de la presentación de la información. Concertación
entre contratante y equipo técnico sobre lo que se espera de la información y su
presentación posterior.
11.6.5 Definición de la precisión. Error de muestreo. Elemento vital por su
incidencia económica, estadística y legal.
11.6.6 Generalidades. Responsable del proceso. Director. Funciones del personal
especializado. Asesoría- Otros datos adicionales del área sujeta al proceso. Tipología
de bosques. Condiciones ecológicas. Usos de la tierra. Variaciones paramétricas
obtenibles de estudios anteriores, fuentes de comparación. Condiciones topográficas.
Localización global. Accesibilidad y formas de transporte. Estado de las vías.
Proyecciones de aprovechamiento. Costos generales.
11.6.7 Recursos disponibles. Transporte- Personal- Equipos de toda índole
(medición y campaña).
11.6.8 Procedimientos de medición. Manejo, delimitación y ubicación de las
parcelas.- División técnica del trabajo de campo. Asignación de funciones Definición
de responsabilidades.- Instrucciones precisas para localización, cambio, replanteo de
elementos de muestreo, datos importantes, otras informaciones.
11.6.9 Soporte logístico. Personal de la zona, búsqueda y contratación (cocina,
guías, trocheros, reconocedores), lugar de acampada. Decisiones de campamento.
Comunicaciones. Generación de convenciones útiles. Provisiones (alojamiento,
alimentación, botiquín). transporte interno. Auxilios.
11.6.10 Cálculos definitivos. Instrucciones de proceso, en campo, en oficina, otras

212
formas y tiempos. Almacén lógico. Conjunto de fórmulas y alternativas para diversas
situaciones. Tablas estadísticas. Cálculo de errores. Fórmulas y otros para
verificación.
11.6.11 Análisis de la información de campo Verificación por sorteo de alguna
información. Toma de decisiones. Errores físicos de muestreo (Físico en toma de
datos). Replanteamientos y repetición de procesos.
11.6.12 Presupuesto Desglosado por ítem intentando agotar temas.
11.6.13 Cronograma exacto de actividades. Diagrama de flujo, barras o PERT.
11.6.14 Informe final. Plan general (puede contener todos, algunos u otros de los
ítem anteriores). Tiempo de labores (desde la planificación hasta la entrega del
informe). Correcciones de forma y fondo. Forma de publicación- Distribución-
Análisis de costos- Análisis y entrega de la información final.
11.7. Realización del inventario.
Puesta en práctica de todo lo planificado. Se da una lista de actividades comunes,
que a pesar de haberse planificado necesitan de la ayuda de los equipos ya
configurados o de un personal entrenado para llevar lo planificado a la práctica.
11.7.1 Preparación de los documentos de campo. Cada equipo debe manejar
sobre el terreno: un paquete de formularios, unas ayudas y códigos, el plan del
inventario, una serie de tablas para ayudas eventuales, como las de corrección, muy
útiles en casos excepcionales. Estas son de dos tipos: para corregir longitudes entre
parcelas cuando la pendiente del terreno supera los 4o (7%) y para corregir árboles
límites de parcelas en similares condiciones. El uso del primer tipo de corrección es
obligatorio. La segunda es de acuerdo con la ubicación de la parcelas y el lugar
mismo, sobre todo en casos de duda (sólo en parcelas muy densas se presenta esta
situación).
11.7.1.1 Corrección de distancias por pendiente. Las distancias entre parcelas se
conciben en inventarios en proyección horizontal, pero en el campo varían de
situación. Ello precisa una corrección, sobre todo en el muestreo tipo conglomerado,
o en el de fajas continuas si se esperan estimadores de la razón insesgados. La
siguiente ecuación permite el cálculo de la corrección relativa en función de la
pendiente entre dos parcelas (y no del terreno) en grados:

213
 do
d 11.1
cos 

d, la distancia nueva en campo para lograr la proyectada

d o original, ante una

pendiente entre parcelas, la cual se vuelve relativa, Tabla 11.1, así:

d  do  1 
  1 11.2 
do  cos  

Tabla 11.1 corrección adicional por pendiente de distancias entre parcelas

Pendiente corrección de lon- Pendiente corrección de lon-

grados gitud relat en % grados gitud relat en %
4 0,244 30 15,470
6 0,551 32 17,918
8 0,983 34 20,622
10 1,543 36 23,607
12 2,234 38 26,902
14 3,061 40 30,541
16 4,030 42 34,563
18 5,146 44 39,016
20 6,418 46 43,956
22 7,853 48 49,448
24 9,464 50 55,572
26 11,260 52 62,427
28 13,257 54 70,130

Por ejemplo, si se detecta una pendiente entre parcelas de 28 en campo, y la

distancia entre ellas debía ser de 50 m, es necesario medir en el terreno una

distancia L de más, sobre los 50 m iniciales: L = 50×13,257 100 = 6,63 m., o sea, que
en el terreno, de acuerdo con el corrector de la tabla, corr se deberá medir 56,63 m
entre esas parcelas.

 corr 
d  do 1   11.3
 100 
11.7.1.2 Regla de corrección para parcelas en terreno inclinado. Cuando se
trabaja con cintas métricas y parcelas circulares y se desea una superficie S, se

214
puede corregir el radio en el terreno de la siguiente manera:

S R
R ; Rcorr  11.4 
 cos 

S = Superficie de la parcela. Figura 11.2. Si las pendientes varían en diferentes

direcciones se puede utilizar la regla para aplicarla en tres o cuatro direcciones.

Tabla 11.2 Radio de parcelas circulares de superficie conocida y correcciones

por pendiente promedia.

Pendiente promedia Superficie de parcela circular

en una dirección en 1/100 ha 1/40 ha 1/20 ha 1/10 ha
grados 100 m2 250 m2 500 m2 1000 m2
0,0 5,642 8,921 12,616 17,841
2,5 5,647 8,929 12,628 17,858
5,0 5,663 8,955 12,664 17,909
7,5 5,691 8,998 12,725 17,995
10,0 5,729 9,058 12,810 18,116
12,5 5,779 9,137 12,922 18,274
15,0 5,841 9,235 13,061 18,471
17,5 5,916 9,354 13,228 18,707
20,0 6,004 9,493 13,425 18,986
22,5 6,107 9,656 13,655 19,311
25,0 6,225 9,843 13,920 19,686
27,5 6,361 10,057 14,223 20,114
30,0 6,515 10,301 14,567 20,601
32,5 6,690 10,577 14,958 21,154
35,0 6,887 10,890 15,401 21,780
37,5 7,111 11,244 15,902 22,488
40,0 7,365 11,645 16,469 23,290
42,5 7,652 12,099 17,111 24,199
45,0 7,979 12,616 17,841 25,231

11.7.2 Preparación del trayecto. La preparación del trayecto coincide con la

ubicación en los mapas de las parcelas: para ello se parte de la línea madre y de las
auxiliares escogidas sistemáticamente o al azar de acuerdo con el diseño,
identificables por número y rumbo u orientación.
215
 Figura 11.2 Establecimiento de parcelas en pendientes

11.7.2.1 Línea madre. Pica principal. Es una línea real que debe trazarse en el
campo para servir de referencia no sólo a la líneas secundarias, sino como auxiliar
para desplazamientos en el bosque. Tiene dos versiones: La línea recta que se
localiza aproximadamente en el centro del bosque, la cual se traza y se acota
siquiera cada 50 m, para funciones de apoyo, y la que sigue un accidente geográfico,
como cursos de agua, caminos de herradura en las cimas de las montañas u otros
que sean mas fácilmente referenciables y acotables que la definida antes. Para las
demarcaciones se acostumbra generalmente el uso de estacas con marcas en papel
de aluminio y cintas plásticas de diversos colores.
11.7.2.2 Picas Secundarias-Picas. Líneas que sorteadas al azar contendrán las
unidades muestrales. Se acotan también cada cierto número de metros y a la vez
sirven como sustento de muestra y ayudan para los desplazamientos. La
preparación del trayecto debe ser precisa y lo mas ágil posible, en la repartición de
áreas entre los equipos y en la determinación secuencial de cubrir la zona asignada.
Para ello se deben estudiar los mínimos recorridos en tiempo y espacio.
11.7.3 Establecimiento de las parcelas. Las parcelas se ubican con centro en las
picas. En primer lugar se marcan los árboles límite de modo que garanticen las
áreas escogidas, con las marcas hacia el centro de parcela. Luego se procede a
marcar secuencialmente los árboles, a medida que se van midiendo.
Al que genere duda como sujeto de medición para una parcela, se adopta por
convención que si su centro queda dentro de ella se asume completo. En caso de

216
duda, se puede tomar como medio árbol, y se acepta también que pueda tomarse
una decisión sorteada al azar para tomarlo y dejarlo, Figura 11.3.
11.7.4 Parcela límite. Son aquellas parcelas cuyo centro se encuentra muy cerca
de la frontera del bosque.

Figura 11.3 consideración del árbol como objeto de medición o no.

Se presentan varias situaciones. Si el límite es interno, separador de dos parcelas o

bloques que hacen parte de una unidad de inventario, se reporta la parcela como
normal, cuando su centro se localiza internamente en el bloque o estrato. Cuando el
límite cruza la parcela, es necesario considerar la ubicación del centro de la parcela:
- Si el centro queda por fuera de la frontera no se muestrea la parcela,
- Si el centro coincide (cosa muy rara) se podría definir por sorteo al azar, si se
considera o dentro o afuera.
- Si el centro queda interior, a veces se acostumbra correr la parcela hasta una
posición tangente a la frontera. Esta teoría que condujo a producir estimadores de
razón, sigue utilizándose sobre todo en muestreos simples al azar y en
conglomerados de parcelas sobre líneas en fajas, ya se sabe que utiliza el criterio del
estimador, Figura 11.4.
11.7.5 Medidas sobre las parcelas. Serán todas aquellas que generen los
formularios previamente estudiados por equipo antes de emprender la toma de la
muestra. Se hará énfasis en la toma de diámetros y alturas. El diámetro se tomará a
todas las unidades de la parcela, bien sea como tal, siguiendo las normas IUFRO,
citadas por (Lema, 1995) para árboles en diversas circunstancias como bambas,
divididos o con engrosamientos, o con base en circunferencia a la altura del pecho.

217
Es la medida determinante y la que por descuido puede arrastrar más errores. La
altura, siempre es un parámetro difícil de estimar. Se recomienda tomar un
porcentaje de árboles por parcela con todo el cuidado posible representativo de las
clases diamétricas para luego entrar a establecer regresiones por parcela, o
generales dependiendo del ajuste obtenido

Figura 11.4 Parcelas limite.

Las demás observaciones que no impliquen recargos de tiempo y costos deberán
tomarse cuando se juzguen importantes por parte del jefe de equipo.
Se quiere recalcar que el éxito final de un inventario radica en la bondad de los datos
de campo y que no existen procedimientos compensatorios diferentes a la repetición
cuando estos se pueden poner en duda, lo cual incidirá notablemente en el costo
económico final.
11.7.6 Marcada de los árboles-verificación. Es casi una práctica obligada pero
sobre todo para aquellos inventarios que por sus características requieren
comprobación posterior sobre un porcentaje de muestras tomadas al azar. Cada
legislación forestal por país, debe tener un acuerdo que defina el sesgo tolerable
entre la información anotada en un formulario y la encontrada en la etapa final de
verificación, debiendo quedar constancia de esta situación en el contrato o los
términos de referencia que liga a la empresa o entidad contratante y la
inventariadora. Generalmente se establecen cláusulas de los porcentajes de error en
campo para tomar las decisiones finales de aceptación.

218
11.8 Sesgos y errores de medida.
El concepto de sesgo estadístico se estudió en el capítulo I. Pero esTe término se
refiere también a otras estimaciones obtenidas para una muestra y a veces a las del
error de muestreo (FAO, 1974). Por ejemplo si el área basal de los árboles se mide
con una cinta que lee 25 cm en vez de 24, sin más fuentes de error. Cada árbol

tendrá g   25 24  gv , siendo g v la verdadera área basal. La esperanza matemática

2

E  gˆ  de la media de todas las muestras será g   1,08506 g con lo cual el sesgo que
muy convencionalmente se le denomina B, será:

B  g   g  g  r  1  r1 g 11.5
r, la razón entre las mediciones defectuosa y la verdadera y r1  r  1.
Otros sesgos se dan al usar parcelas de diferentes tamaños como sucede con el
n n
estimador de la razón N: q   yi
i 1
x
i 1
i ya conocido. En este caso se trata de un

estimador con un sesgo en orden de magnitud de 1 n .

Los sesgos también resultan al aplicar diseños de muestreo incorrectos, cuando no
se estratifica o cuando se escogen muestran a voluntad, con base en supuesta
experiencia. En resumen los sesgos son por errores de medida, modo de estimar los
parámetros y procedimientos de muestreo. Este último es casi indetectable. Los de
medida son más fácil de hacerlo, Se pueden mirar en tres componentes: un sesgo
constante, como el ya reportado en la cinta del ejemplo, un sesgo variable como el
del estimador de la razón y uno fluctuante, solo estimable cuando se pudieran tener
varios valores de medias del mismo parámetro. Como se ve es necesaria una toma
cuidadosa de la muestra y la medición de los parámetros para no caer en errores
involuntarios que puedan ser de alto costo.
11.9 Optimización de muestreos y tipos de inventarios.
Este es un tema importante pero muy descuidado en la investigación forestal. En
Colombia el único trabajo al respecto se debe a (Vélez, 1991). Un diseño se considera
eficiente cuando da un error de muestreo muy pequeño para un costo dado, o el que
es menos caro para un error permisible. Aunque parece fácil el concepto, encontrar

219
diseños eficientes es algo complicado por la gran cantidad de circunstancias que
rodean el concepto, como la imposibilidad de considerar todos los diseños cuando
se selecciona alguno. En términos generales como se vio en los diferentes capítulos
muchas decisiones se hacen de antemano, con base en experiencias previas.
Es posible que exista un diseño óptimo para cada conjunto de características, pero
son casi impensables, por lo cual la mayoría de las veces el inventariador se
contenta con lograr siquiera el número adecuado de parcelas.
Quedaría entonces por estimar los sesgos y errores de medida y además, queda el
problema que lo óptimo para un parámetro puede no serlo para otro, por ejemplo
para volumen total, diferente al volumen comercial. Por ello la definición del error se
hará con base en la población objeto principal.
Por último el error de muestreo depende de la variabilidad de los parámetros, por lo
cual se obtienen en general de muestreos piloto, que no necesariamente coinciden
con la realidad total, apareciendo un nuevo sesgo. De todos modos es posible una
formulación matemática para logra un diseño eficiente.-
11.9.1 Formulación matemática para la optimización. Si se expresa la precisión
del muestreo por el error standard (SE) como el elemento más representativo para
ello y los costos por C, estas variables son funciones de las características del
diseño, como el número de parcelas, el tamaño, la forma de ellas, etc.


Sea entonces X X1 , X 2 , , X p  una serie de tales características, por ejemplo en un

muestreo aleatorio, entonces, se puede escribir que

SE  f1  X 1 , X 2 , , X p   f1  X  

 11.6 
C  f2  X1 , X 2 , , X p   f2  X   
Se pueden hacer varias suposiciones.
11.9.1 1 Formulación para costo fijo. Asúmase que el costo fijo es C 0 . Se trata

entonces de minimizar el SE, o sea tener:

f1  X 1 , X 2 , , X p   min cuando 

 11.7 
f2  X1, X 2 , , X p   C0 

Esto es solucionable con multiplicadores de Lagrange, resolviendo el siguiente

220
 , X p, 
sistema de p  1 ecuaciones con los p  i valores desconocidos: 1 2
X,X ,
,

 X 1  0 ,  X 2 0 , ,  X p 0 , 
que daría: :

f1  X  f X  
 2 0 
X1 X1 
f1  X  f2 X  
 0 
X 2 X 2 

 11.8 
f1  X  f X  
 2 0 
X p X p 

f 2  X 1, X 2 , , X p   C 0  0 


f1  X  f 2  X 
en que y son las derivadas parciales del error estándar y costos
X i X i
con respecto a una característica dada.
11.9.1 2 Formulación para una precisión deseada. Asúmase que el SE es fijo.
Se trata entonces de minimizar el C , o sea tener:

f2  X1 , X 2 , , X p   min imo, cuando 


 11.9 
f1  X 1 , X 2 , , X p    SE 0 

Esto es solucionable en forma similar al anterior, resolviendo el siguiente sistema
, X p, 
de p  1 ecuaciones con los p  i valores desconocidos:
X1 , X 2 ,
, que

daría:  X1 0 ,  X 2 0 , ,  X p 0 ,  , como lo muestra la ecuación (11.10).

221
 f1  X  f X  
 2 0 
X1 X1 
f1  X  f X  
 2 0 
X 2 X 2 

 11.10 
f1  X  f X  
 2 0 
X p X p 

f 1  X 1, X 2 , , X p   SE 0  0


Por ejemplo asúmase que se ha encontrado con base en un premuestreo, en
forma empírica que:
a log S  b
SE  y C  c1  c 2n  c 3nS 11.11
nS
con S, área de la parcela, n, tamaño muestral, a y b, obtenibles de regresión,
c1, c 2 y c 3 costo fijo, costo de acceso a una parcela y costo de medición,

respectivamente. Si se conoce C 0 , es posible buscar el tamaño óptimo de la

parcela S 0 así como el tamaño muestral óptimo n 0 , resolviendo el sistema dado

por (11.8):

f1  X  f  X  
 2 0 
S S 
f1  X  f2 X  
 0  11.12
n n 
c1  c 2n  c 3nS  C 0  0 


Al eliminar  de las dos primeras ecuaciones, se tiene:
f1  X  f 2  X  f1  X  f 2  X 
   0 11.13
S n n S
y al reemplazar estas derivadas por sus valores en (11.13), después de
simplificar se encuentra la solución que optimiza el tamaño de la parcela
muestral, como:

222
  c b
log S0   2 1  2    0 11.14
 c2 a
que gráficamente se halla en forma sencilla como la abscisa S del punto donde
se cortan las funciones :
c1 b
Y  log S ; contra Y 2 S 2 11.15 
c2 a

y el valor correspondiente óptimo de n, n 0 , sale de la relación:

C0  c1
c1  c 2n 0  c 3n 0S0  C0 n0  11.12
c 2  c 3S0
11.9.2 Optimización de un diseño de inventario. Ya se había expresado que
un diseño se considera eficiente cuando da un error de muestreo muy pequeño
para un costo dado, o el más barato para un error permisible. Surgen las
mismas inquietudes que para diseñar los muestreos pero aumentadas además,
pues un inventario puede contener varios procesos de muestreo, diferentes
incluso entre sí, como sería el caso de los muestreos polifásicos o polietápicos
por ejemplo, en que entra el muestreo de áreas basales por un lado y volúmenes
por el otro. También se dan dudas sobre elegir entre parcelas de tamaño fijo
contra las de este variable, que en plantaciones podrían ser mas eficientes. Por
otro lado la eficiencia de un muestreo casi siempre sólo es medible a posteriori.
Quedan muchos elementos subjetivos alrededor de este tema, por lo cual se
acepta, para la mayoría de estos procesos, por lo menos una buena estimación
del costo general y del tamaño de la muestra.
11.9.3 Tamaño y forma de los elementos de muestreo.
11.9.3.1 tamaño. En el capítulo 1 se mostró la relación entre el tamaño de las
parcelas y el coeficiente de variación. Se ha encontrado (FAO, 1974) que una
posible relación empírica los ligaría así:
y
CV  CV     ka  c log   log k  c log a 11.13
Y
en que  y desviación promedia de los valores del parámetro buscado, a,

superficie de la parcela, k y c constantes.

223
Cuando la distribución de los valores es aleatoria por parcela, c= 0,5, como en la
distribución de Poisson. Resulta interesante comparar los diferentes tamaños de
elementos de muestreo, con la misma intensidad de él, para un muestreo
aleatorio simple, en cuyo caso para n parcelas na , sería constante. En este caso
el error típico relativo de la media sería:

 Y2 Y 
e
Y

Y

n
 
 k   a  k a 0,5c 11.14  .
Para la mayoría de los parámetros buscados en bosques tropicales naturales
c  0,5 (FAO, 1974). De acuerdo con esta última expresión, dentro de ciertos
límites, cuanto menor sean las unidades de muestra mejor la precisión para una
determinada intensidad.
Acá se presenta un interesante discusión, afirman muchos inventariadores que
una parcela de muestreo debería reflejar el comportamiento a pequeña escala del
bosque, para lo cual hablan de parcelas de tamaño razonable, llegando a
proponer como solución más o menos adecuada parcelas entre 0,4 y 0,5 ha para
el bosque tropical. Es claro que se trata de algo complicado estadísticamente
hablando, pero cuando se identifica un espacio muestral se espera que la
esperanza de algún parámetro se conserve dentro de ciertos límites, pues si no
fuera así se trataría de otro espacio muestral en cuyo caso se debería estratificar.
Surgen otros elementos, a pesar de lo anterior, parcelas muy pequeñas en
bosque natural aumentan los errores de borde para la muestra total comparada
con las parcelas grandes, por el factor de área. Entonces se precisaría de alguna
manera para cierto tipo de inventarios acudir a la optimización que ayude a la
solución de estas inquietudes.
En Colombia, el costo de muestreo haría impracticable el uso de del tamaño
razonable que recomienda (FAO, 1974). Muchas experiencias de trabajos en
bosques tropicales en el país han mostrado buenos resultados con parcelas de
1/10 de ha, incluso hasta de 1/20, para bosques no muy disturbados, de 1/40
para rastrojos altos, y hasta de 1/100 para rastrojos bajos. En plantaciones
forestales de coníferas, (Vélez, 1985) encontró para P, patula, que con parcelas

224
circulares de 235 m2 se alcanzaban muestreos óptimos, por lo cual no es extraño

el uso de parcelas de 250 m2 y hasta de 200 m2 en muchos inventarios de este tipo

aun para otras especies diferentes que han mostrado comportamientos similares
a aquel.
11.9.3.2 Forma de las unidades muestrales. La primera gran división se da
entre formas circulares o rectangulares.
El círculo, fácilmente establecible en campo, máxime con ayuda de telémetros,
prismas y aun el mismo relascopio presenta áreas de mínimo perímetro, lo que
reduciría el error de borde en casos de árboles dudosos. Además es isotrópico al
no privilegiar ninguna dirección y se presta para los conglomerados con todas las
ventajas ya reportadas para ellos.
Las parcelas rectangulares tiene su mejor uso en estudios de crecimiento que en
inventarios volumétricos simples, por su más difícil establecimiento, errores de
cierre y de borde así como de orientación en el caso de las parcelas alargadas.
De todos modos en bosques tropicales de gran extensión son muy adecuadas las
fajas entre 10 y 25 m de ancho. Algunos estudios reportados por (FAO, 1974)
afirman que mientras mayor sea la longitud de las parcelas mayor es la
precisión, aunque es mayor a no dudarlo el efecto del tamaño.
En bosques tropicales también es muy acostumbrado el uso de conglomerados,
líneas, como la unidad de muestreo con parcelas, como unidades de registro,
para aprovechar las ventajas de los círculos y así lograr unidades de gran
tamaño aunque se incrementa el perímetro y con este las posibilidades de
errores de borde. Una vez elegido el tamaño de la unidad de registro (parcela
circular), es preciso calcular el tamaño muestral, lo que se constituye en un
problema de optimizacíon al considerar M como una de las características del
diseño. Como ejemplo se aporta el ejemplo de Cochran, citado por (FAO, 1974)
para un muestreo aleatorio con n conglomerados iguales y M parcelas por cada
uno. El error estándar cuadrático de la media por parcela circular de la
característica medida será:

sb2
sY2  11.15 
nM
225
con
sb2 varianza entre conglomerados, obtenida con las sumas de los valores de

las parcelas circulares. Para estimarla, se hace a costa de los valores de la

característica, dígase Y a través de la varianza llamada

sw2 . de los valores de Y en
2
las M parcelas dentro de un conglomerado y s , varianza de los valores de Y en
las parcelas circulares del total de la superficie objeto del inventario, que
aproximadamente se obtiene como:

sb2  Ms 2   M  1 sw2 11.16 .

El valor de
sw2 , se da empíricamente luego de muchas simulaciones como:

sw2   M  11.17 .
Con  y  constantes positivas independientes de M. Si se tiene una función de
costos parecida a la de un muestreo bietápico:

C  nC1  nMC2 11.18

C
en la cual C1 costo de acceso y reconocimiento de una unidad primaria y 2 el
costo de acceso de una unidad secundaria, una vez alcanzada la primaria y de
recolección de la información en ella, entonces se trata de encontrar por
optimización los valores de M y de n que minimicen:

s 2   M  1  M  1
sY2  11.19
n ,
para un costo total dado:
C  nC1  nMC2  C0 11.20 .
Aplicando los procedimientos vistos de optimización, se puede encontrar que el
M0
valor óptimo de M se da aproximadamente por la siguiente expresión:

 M 0 2 C2M 03  C1M 02  C2M 02  C1   C2s 2  0 11.21

M0
De la cual se obtiene el valor de n, al reempalzar a M por , en (11.20).
Como se ve el tema de optimización es algo por explorar más científicamente
aun, pero es costosísimo, lo cual priva seguramente de ello.

226
12. REALIZACION DEL INVENTARIO

La realización del inventario es la ejecución de todas las labores resultantes de la

planificación, o que la complementan. Las facetas comunes, se pueden resumir en algunos
elementos que a pesar de haberse planificado necesitan de la ayuda de los equipos ya
configurados o de un personal entrenado para llevar lo planificado a la práctica.

12.1 Preparación de los documentos de campo

Los documentos de campo que cada equipo debe manejar sobre el terreno son: un paquete
de formularios, unas ayudas, códigos para ciertas labores o variables, el plan del inventario,
una serie de tablas para ayudas eventuales, sobre todo de correcciones de pendientes o de
radios de parcelas. De estas ya se esbozó su estructura en el numeral anterior. falta
mencionar algunas tablas de corrección que serán muy útiles en casos excepcionales.

12.1.1 Tablas ayuda para corrección de pendientes

Estas tablas son de dos tipos: para corregir longitudes entre parcelas cuando el terreno
presenta pendientes pronunciadas y tablas para corregir árboles límites de parcelas cuando
estas quedan en pendiente fuerte.

El uso del primer tipo de corrección es obligatorio cuando la pendiente supera los 4o, un 7%
de pendiente, La segunda es de acuerdo con la ubicación de la parcelas y el lugar mismo,
sobre todo en casos de duda (sólo en parcelas muy densas se presenta esta situación.

12.1.1.1 Correción de distancias por pendiente

Las distancias entre parcelas se conciben en inventarios en proyección horizontal, pero sus
medidas en el campo varían de acuerdo con ciertas situaciones. Para ello se precisa una
corrección, sobre todo en el muestreo tipo conglomerado, o en el de fajas continuas si se
esperan estimadores de la razón insesgados. La siguiente ecuación permite el cálculo de la
corrección de las distancias horizontales (dh) a las distancias inclinadas (di) en función de la
pendiente entre dos parcelas, y no del terreno, en grados así:

dh
di=
cos 
lo cual se materializa en la tabla 33, para dicha corrección. Por ejemplo, si se detecta una
pendiente entre parcelas (en un mapa, foto, o en campo se mide una pendiente promedia en
el terreno
una distancia L = 1.13257*50 = 56.62 m sobre la pendiente.
 Tabla de factores para corrección por pendientes.

PENDIENTE fact PENDIENTE fact

grados dh/d0 grados dh/d0

4 1.002442 31 1.166633

5 1.00382 32 1.179178

6 1.005508 33 1.192363

7 1.00751 34 1.206218

8 1.009828 35 1.220775

9 1.012465 36 1.236068

10 1.015427 37 1.252136

11 1.018717 38 1.269018

12 1.022341 39 1.28676

13 1.026304 40 1.305407

14 1.030614 41 1.325013

15 1.035276 42 1.345633

16 1.040299 43 1.367327

17 1.045692 44 1.390164

18 1.051462 45 1.414214

19 1.057621 46 1.439557

20 1.064178 47 1.466279

21 1.071145 48 1.494477

22 1.078535 49 1.524253

23 1.08636 50 1.555724

24 1.094636 51 1.589016

25 1.103378 52 1.624269

26 1.112602 53 1.66164

27 1.122326 54 1.701302

28 1.13257 55 1.743447

29 1.143354 56 1.788292

30 1.154701 57 1.836078

12.1.1.2 Tabla de corrección para parcelas en terreno inclinado

Cuando se trabaja con cintas métricas y parcelas circulares y se desea una superficie S, se
puede corregir el radio en el terreno de la siguiente manera:

S
R=
S
; R=  2
 cos 
S = Superficie de la parcela, tabla xxx. Si las pendientes varían en diferentes direcciones se
puede utilizar la Tabla para aplicarla en tres o cuatro direcciones.

12.2 Preparación del trayecto

La preparación del trayecto coincide con la ubicación en los mapas de los lugares posibles
de muestreo: para ello se parte de una línea madre (pica principal) y líneas auxiliares (picas)
los cuales se escogen sistemáticamente o al azar de acuerdo con el diseño escogido. Tanto la
línea madre como las picas deberán identificarse por número y el rumbo que deben seguir.
La preparación del trayecto debe ser precisa y lo mas ágil posible, ya que permite, en primer
lugar repartición de áreas entre los equipos y en segundo lugar determinar secuencialmente
la forma de cubrir la zona asignada. Para ello se deben estudiar los mínimos recorridos en
tiempo y espacio.

12.2.1 Línea Madre-Pica principal

La línea madre, es una línea real que debe trazarse en el campo y la cual sirve de referencia
no sólo a la líneas secundarias, sino que es una buena auxiliar para los desplazamientos en
el bosque. Tiene dos versiones:

1- La línea recta que se localiza aproximadamente en el centro del bosque, la cual se traza y
se acota cada 50 m, o cada que por visualización lo exija la topografía, dejándola estacada
para funciones de apoyo.

2- La línea madre siguiendo un accidente geográfico, como cursos de agua, caminos de

herradura en las cimas de las montañas u otros que sean mas fácilmente referenciables y
acotables que una línea como la definida en 1.

Para las demarcaciones se acostumbra generalmente el uso de estacas con marcas en papel
de aluminio y cintas plásticas de diversos colores, que deben flotar al viento.

12.2.2 Picas Secundarias-Picas

Son las líneas que sorteadas al azar contendrán las unidades muestrales. Se acotan
tambien cada cierto número de metros y a la vez sirven como sustento de muestra, ayudan
al desplazamiento de los equipos.

12.3 Establecimiento de las parcelas

Las parcelas se ubican con centro en las picas. En primer lugar se deben marcar los árboles
límite por fuera de ellas, de modo que se garanticen las áreas/parcela escogidas. Las
marcas deben mirar al centro de la parcela. Luego se procede a marcar secuencialmente los
árboles, a medida que se van midiendo. Si el terreno es pendiente, dependiendo del tamaño
de la parcela y de la pendiente en varias direcciones se hacen las correcciones sugeridas.

12.4 Árbol límite

Se denomina árbol límite al que genere duda en cuanto a entrar o no en una parcela. Se
estima por convención que si su centro queda al interior de la parcela, este árbol se localiza
en ella. En caso de duda, se puede tomar como medio árbol, y se acepta también que pueda
tomarse una decisión sorteada al azar para tomarlo y dejarlo.

12.5 Parcela límite

Son aquellas parcelas cuyo centro se encuentra muy cerca de la frontera del bosque. Se
presentan varias situaciones. Si el límite es interno, separador de dos parcelas o bloques,
etc. que hacen parte de una unidad de inventario, se reporta la parcela como normal,
cuando su centro se localiza internamente en el bloque o estrato. Cuando el límite cruza la
parcela, es necesario considerar la ubicación del centro de la parcela:

- Si el centro queda por fuera de la frontera no se muestrea la parcela

- Si el centro coincide (cosa muy rara) se podría definir por sorteo al azar, si se considera o
dentro o afuera.

- Si el centro queda interior, a veces se acostumbra correr la parcela hasta una posición
tangente a la frontera. Esta teoría que condujo a producir estimadores de razón, sigue
utilizándose sobre todo en muestreos simples al azar y en conglomerados de parcelas sobre
líneas en fajas, ya se sabe que utiliza el criterio del estimador. (Acetato 13)

12.6 Medidas sobre las parcelas

Las medidas sobre las parcelas serán todas aquellas que generen los formularios, los cuales
habrán de estudiarse por equipo antes de emprender la toma de la muestra. Se hará énfasis
en la toma de diámetros y alturas.

El diámetro se tomará a todas las unidades de la parcela, bien sea como tal, siguiendo las
normas que tiene la IUFRO para árboles en diversas circunstancias (como bambas,
divididos, con engrosamientos, etc.) o con base en circunferencia a la altura del pecho. Es la
medida determinante y la que por descuido puede arrastrar mas errores.

La altura, siempre es un parámetro difícil de estimar. Se recomienda tomar un porcentaje

de árboles por parcela con todo el cuidado posible representativo de las clases diamétricas
para luego entrar a establecer correlaciones por parcela, o generales dependiendo del ajuste
obtenido.

Las demás observaciones que no impliquen recargos de tiempo y costos deberán tomarse
cuando se juzguen importantes por parte del jefe de equipo.

Se quiere recalcar que el éxito final de un inventario radica en la bondad de los datos de
campo y que no existen procedimientos compensatorios diferentes a la repetición cuando
estos se pueden poner en duda, lo cual incidirá notablemente en el costo económico final.

12.7 Marcada de los árboles-verificación

Es una buena práctica sobre todo para aquellos inventarios que por sus características
requieren comprobación posterior sobre un porcentaje de líneas tomadas al azar. Cada
legislación-país, debe tener un acuerdo que defina el sesgo tolerable entre la información
anotada en un formulario y la encontrada en la etapa final de verificación, debiendo quedar
constancia de esta situación en el contrato que liga a la empresa o entidad contratante y la
inventariadora.