OA-PLF-ESP-04 Descripcion Estadistica Simfor-Creft Ajust Jun2014

DESCRIPCION ESTADISTICA SIMFOR
– CREFT
PLANTACIONES FORESTALES COMERCIALES

DESCRIPCION ESTADISTICA SIMFOR – CREFT
CODIGO: OA–PLP-ESP-04 VERSIÓN: 02 FECHA: 20/05/2014 PÁGINA: 2
PROYECTO: Oferta Agropecuaria COMPONENTE: Otras investigaciones
ELABORÓ: Lider Otras Investigaciones REVISÓ: Lider Otras Investigaciones APROBÓ: Gerente de Oferta
Agropecuaria
TABLA DE CONTENIDO
INTRODUCCIÓN ................................................................................................................................. 5
1. Programa de monitoreo del crecimiento y Rendimiento Forestal ..................................... 5
1.1 Importancia ....................................................................................................................... 5
1.2 Objetivos de un sistema de monitoreo del crecimiento y rendimiento forestal ...... 5
1.3 Metodologías y fuentes de información ........................................................................ 5
1.4 Etapas de un programa de monitoreo de crecimiento y rendimiento forestal ........ 6
2. Red de Parcelas Permanentes de Monitoreo del Crecimiento y Rendimiento Forestal
de CONIF ............................................................................................................................................ 7
Descripción .................................................................................................................................... 7
3. Medición de Árboles .................................................................................................................... 9
3.1 Medición de árboles individuales ........................................................................................ 9
3.2 Variables cuantitativas ........................................................................................................... 9
3.2.1 Medición de diámetros ........................................................................................................ 9
3.2.2 Medición de alturas ............................................................................................................ 10
3.2.3 Medición del espesor de corteza .................................................................................... 10
3.2.4 Medición de diámetro de copa ...................................................................................... 10
3.3 Variables Cualitativas .......................................................................................................... 11
3.3.1 Posición Sociológica ........................................................................................................... 11
3.3.2 Calidad Fustal ...................................................................................................................... 11
4 Medición de Rodales .................................................................................................................. 13
4.1 Muestreo y Medición de Rodales ....................................................................................... 13
4.2 Diseño de muestreo para inventarios forestales ............................................................... 13
4.3 Unidades muestrales no Probabilísticas ............................................................................. 14
4.4 Unidades muestrales Probabilísticas .................................................................................. 14
4.4.1 Muestreo Aleatorio Simple (MAS) ..................................................................................... 15
4.4.2 Muestreo Sistemático ......................................................................................................... 19
4.4.3 Muestreo Estratificado ........................................................................................................ 20
5 Parámetros de Rodal ................................................................................................................... 24
5.1 Determinación de parámetros del Rodal .......................................................................... 24
Agropecuaria
5.1.1 Diámetro medio (𝑑) ............................................................................................................ 24

5.1.2 Área Basal (G) ...................................................................................................................... 24
5.1.3. Número de árboles (N) ..................................................................................................... 25
5.1.4 Diámetro Cuadrático (Dg) ................................................................................................ 25
5.1.5 Altura total media (h) ......................................................................................................... 25
5.1.6 Altura dominante ................................................................................................................ 26
5.1.7 Volumen Total (V) ................................................................................................................ 26
6 Modelamiento del crecimiento y Rendimiento Forestal......................................................... 27
6.1 Aspectos generales del modelamiento del crecimiento forestal .................................. 27
6.2 Tipos de modelos del crecimiento y rendimiento forestal .............................................. 27
6.2.1 Modelos determinísticos y estocásticos .......................................................................... 28
6.2.2 Modelos de crecimiento a Nivel de Rodal .................................................................... 28
6.2.3 Modelos de clases de Tamaño ........................................................................................ 28
6.2.4 Modelos de árbol individual.............................................................................................. 29
6.2.5 Modelos estáticos y dinámicos ........................................................................................ 29
7 Estrategia de modelamiento empleada en el sistema de simulación del crecimiento y
rendimiento forestal SimFor V1.0 ................................................................................................... 30
7.1 Índice de sitio ........................................................................................................................ 31
7.1.1 Productividad y calidad de sitio ...................................................................................... 31
8 Densidad y estructura del rodal ................................................................................................. 36
8.1 Densidad del rodal ............................................................................................................... 36
8.1.1 Espaciamiento relativo (Hart 1928; Wilson 1951) ........................................................... 36
8.1.2 Ley de autorraleo (Yoda et al., 1963) ............................................................................. 37
8.1.3 Índice de densidad del rodal (Reineke 1933) ............................................................... 37
8.2 Funciones de mortalidad ..................................................................................................... 38
Modelos de transición del número de árboles para las principales especies forestales
en Colombia. ................................................................................................................................. 38
8.3 Funciones de área basal ..................................................................................................... 39
8.3.1 Modelos de transición de área basal para las principales especies forestales de
Colombia ........................................................................................................................................ 40
8.4 Estructura del rodal ............................................................................................................... 41
8.4.1 Distribución diamétrica ...................................................................................................... 42
9 Modelos auxiliares ....................................................................................................................... 43
9.1 Relación altura-diámetro (h-d) ........................................................................................... 43
9.1.1 Modelos locales de altura-diámetro (h-d) ..................................................................... 43
9.1.2 Modelos regionales de altura-diámetro (h-d) ............................................................... 43
Agropecuaria
9.1.3 Modelos regionales de h-d para las principales especies forestales en Colombia
.......................................................................................................................................................... 43
10 Resumen de modelos dinámicos para especies forestales en Colombia (SimFor) ......... 45
11 Estrategia de modelamiento empleada en el sistema de simulación del crecimiento y
rendimiento forestal CREFT ............................................................................................................. 52
11.1 Generación de valores de temperatura máxima, temperatura mínima y brillo solar
mediante cadenas de Markov. ................................................................................................ 52
11.1.1 Una Alternativa al Modelo de Goudrian ...................................................................... 57
11.2 Simulación de Series de Precipitación Diaria con Cadenas de Markov .................... 62
11.2.1 Caracterización por tipo de año climático ................................................................. 62
11.2.2 Análisis de la secuencia de días húmedos – secos .................................................... 63
11.2 Simulación de precipitación diaria .................................................................................. 75
GLOSARIO ........................................................................................................................................ 82
BIBLIOGRAFÍA................................................................................................................................... 84
Agropecuaria
INTRODUCCIÓN
El presente documento tiene como finalidad hacer una descripción estadística de la

operación del aplicativo SimFor y Creft en cada una de las especies forestales, abordando
paso a paso cada uno de los conceptos necesarios para interpretar acertadamente el
crecimiento forestal.
1. Programa de monitoreo del crecimiento y Rendimiento Forestal
El monitoreo del crecimiento y el rendimiento del recurso Forestal sirve como apoyo al
manejo y la planificación forestal, enfocándolo no solo desde el punto de vista investigativo
sino también llevándolo al campo operacional.
1.1 Importancia
Para el desarrollo de programas de fomento forestal se debe contar con información

confiable sobre las especies seleccionadas, conocer sobre su manejo silvicultural e
identificar el material vegetal más adecuado para las condiciones edafoclimáticas propias
de cada región y, en especial, determinar los parámetros que definen su desarrollo y
crecimiento, con el cual se pueda garantizar el éxito de la plantación forestal.
1.2 Objetivos de un sistema de monitoreo del crecimiento y rendimiento

forestal
Se determina la productividad a través de funciones de crecimiento y rendimiento. El

Crecimiento se refiere al incremento en una variable (área basal, volumen) y es expresado
generalmente en unidad de área por unidad de tiempo: el rendimiento se refiere a la
cantidad total de producto producido o cosechado en un tiempo determinado y se puede
expresar en unidades por superficie (Zedaker et al., 1987)
1.3 Metodologías y fuentes de información
Un programa de monitoreo de crecimiento y rendimiento puede estar enfocado bajo

diferentes metodologías que pueden ser complementarias y que contribuyen a obtener
información a diferentes niveles de resolución.
Las parcelas permanentes constituyen una de las principales herramientas que tienen los
silvicultores e investigadores forestales para obtener de forma confiable datos de
crecimiento y rendimiento real de las plantaciones forestales, pues proporcionan las tasas
Agropecuaria
de cambio en el tiempo de las variables de interés como el diámetro a la altura del pecho
(DAP), la altura total, la mortalidad, el área basal, el volumen, entre otros.
Las principales características de las parcelas permanentes son:
 Los datos provenientes de las mediciones son confiables y adecuados para el

desarrollo de modelos
 Permiten cubrir un amplio rango de condiciones en las que se desarrollan las
plantaciones
 Se mantienen en el tiempo
 Son fáciles de ubicar en el terreno y se pueden medir siempre en la misma época
 Permiten obtener datos de crecimiento hasta después de la rotación de las
plantaciones.
En las plantaciones forestales, el uso de las parcelas permanentes ha sido extensivo;
además, ha servido como soporte para el ajuste de las ecuaciones matemáticas para
describir el desarrollo de las plantaciones.
1.4 Etapas de un programa de monitoreo de crecimiento y rendimiento

forestal
El muestreo es la primera etapa que se desarrolla en un programa de monitoreo del

crecimiento y rendimiento de plantaciones forestales comerciales. Las mediciones a nivel
de árbol y de parcela se deben realizar con criterios unificados y con la técnica adecuada.
El proceso de construcción de modelos de crecimiento y rendimiento a partir de los datos
colectados en las mediciones de las parcelas permanentes debe contemplar como mínimo:
el análisis y la depuración de los datos, la definición del sistema de modelamiento de
crecimiento y rendimiento, la definición de las técnicas de ajuste y la validación de los
modelos.
El objeto de la modelación en el ámbito forestal es determinar la evolución en el tiempo de
las principales variables dasométricas que definen el desarrollo de la plantación. Un modelo
de crecimiento y rendimiento está integrado por funciones matemáticas de acuerdo con las
teorías biológicas del crecimiento. El modelamiento y la simulación del crecimiento son
herramientas que permiten integrar el conocimiento generado como resultado de la
investigación teórica y experimental, permitiendo simular diferentes escenarios de manejo
como soporte a la toma de decisiones.
Agropecuaria
2. Red de Parcelas Permanentes de Monitoreo del Crecimiento y

Rendimiento Forestal de CONIF
Descripción
Las parcelas permanentes son una estrategia metodológica empleada para la generación
de datos confiables del crecimiento de plantaciones forestales comerciales, a partir de esta
información se han generado modelos de crecimiento y rendimiento para las especies
(Eucalyptus tereticornis, Gmelina arbórea, Tectona grandis, Bombacopsis quinata, Pinus
patula, Pinus oocarpa y Eucalypstus grandis)
Para la instalación y medición de la red de parcelas permanentes se utilizó como directriz
técnica el protocolo para la instalación y medición de la red de parcelas permanentes del
monitoreo del crecimiento y rendimiento forestal desarrollado por CONIF. Para el análisis
se identificaron dos zonas de crecimiento fácilmente diferenciables: una localizada en la
Costa Atlántica, en los departamentos de Atlántico, Magdalena y Cesar, y otra en la Región
Andina Central en los departamentos de Tolima, Huila, Caldas, Quindío, Risaralda y
Antioquia.
En la costa Atlántica se establecieron 216 parcelas permanentes de crecimiento para cuatro
especies forestales maderables; de estas 64 parcelas permanentes de monitoreo fueron
instaladas en plantaciones comerciales de Eucalyptus tereticornis en los Municipios de
Baranoa, Galapa, Polo Nuevo, Repelón y Sabana Larga, en el departamento de Atlántico,
y en los municipios de El Piñon, Zapayán, San Sebastián, y San Zenón en el departamento
de Magdalena. Estas parcelas cubrieron un amplio rango de sitios y edades entre 2 y 8
años.
En las plantaciones comerciales de Gmelina arborea localizadas en los municipios de San
Ángel, Zapayán, El Piñon, Plato y Tenerife en el departamento de Magdalena, se instalaron
54 parcelas permanentes, en un rango de edad entre 3 y 9 años.
Un total de 45 parcelas permanentes de crecimiento fueron instaladas en las plantaciones
de Tectona grandis en los municipios de San Ángel, Zapayán El Piñon, Zona Bananera,
Plato, Copey y Tenerife, en un rango de edad entre 3 y 13 años.
En la Tabla 1 Se presenta la estadística descriptiva de las principales variables de estado
de las plantaciones a la edad de la instalación de las parcelas permanentes.
Agropecuaria
Tabla 1 Descripción de las parcelas permanentes localizadas en la Costa Atlántica (CA) y la Región Andina
(RA) de Colombia.
# Densidad Área Basal

Edad (años) Altura dominante (m)
Especie Zona #Parcelas Medicion (árb/ha) (m2/ha)
Min Máx Media Rango Media Rango Media Rango Media Rango
E.
CA 64 1 3 4.61 2.0-8.0 1003 338-1640 8.15 0.89-17.22 15.05 7.68-22.62
tereticornis
CA 54 1 3 6.51 3.0-9.0 667 375-1060 15.63 5.11-26.19 16.28 9.92-20.30
G. arborea
RA 38 1 3 3.86 1.2-11.9 713 300-2000 8.23 0.88-25.07 9.63 2.35-21
CA 45 1 3 6.75 2.5-16.1 739 600-1300 10.32 0.93-34.76 11.20 4.82-20.72
T. grandis
RA 39 1 3 3.06 1.5-10.6 907 425-1040 2.70 0.31-18.08 7.98 2.79-15.30
B. quinata CA 53 1 3 6.77 3.1-13.1 752 260-2110 16.69 3.64-30.52 11.03 6.07-17.64
P. patula RA 68 1 3 9.65 0.9-18.6 1042 280-1200 24.12 0.02-54.05 15.23 1.27-26.22
P. oocarpa RA 36 1 3 5.51 1.7-15.7 771 306-1455 8.03 0.09-32.71 8.97 0.88-22.51
E. grandis RA 43 1 3 3.86 1.7-6.7 948 13.61 0.41-37.06 18.04 3.80-31.95
TOTAL 440
¡Error! No se encuentra el origen de la referencia.Fuente: Conif
En la Región Andina se contó con 224 parcelas permanentes para cinco especies
Forestales:¡Error! No se encuentra el origen de la referencia.Para Gmelina arborea se
establecieron un total de 38 parcelas en los municipios de Coello, Armero, Guayabal,
Guamo y Coyaima, en el departamento del Tolima en un rango de 1 a 11,5 años de edad.
Un total de 39 parcelas permanentes de Tectona grandis fueron establecidas en
plantaciones localizadas en los municipios de Guamo, Purificación y Natagaima en el
departamento de Tolima, con rangos de edad entre 1 y 12 años.
Para Pinus oocarpa se instalaron un total de 36 parcelas distribuidas en los municipios de
El Agrado, Garzón, Suaza, Pitalito y Tarqui en el departamento de Huila; en Líbano y Rio
Blanco en el departamento de Tolima; y en Pensilvania en el departamento de Caldas,
distribuidas en un rango de 0.5 a 13 años de edad.
Para la especie Pinus patula se establecieron un total de 43 parcelas distribuidas en los
municipios de Rio Blanco, Santa Isabel, Fresno y Herveo en el departamento de Tolima, al
igual que en los departamentos de Antioquia y Caldas. Las plantaciones en las que se
establecieron las parcelas permanentes de Pinus patula están distribuidas en un rango de
18 años de edad.
Para Eucalyptus grandis se establecieron, en un rango de 1 a 4 años de edad, un total de
31 parcelas permanentes distribuidas en los Municipios de Acevedo, Garzón, Pitalito,
Suaza, Tarqui y Timaná en el departamento de Huila, y 12 parcelas permanentes en los
departamentos de Quindío y Risaralda.
Agropecuaria
3. Medición de Árboles
3.1 Medición de árboles individuales
Todas las decisiones silviculturales parten del principio del monitoreo del crecimiento del
árbol como unidad productiva del bosque. La esencia final de un negocio forestal esa
generación de biomasa acumulada por el aporte de cada uno de los individuos que
conforman la masa forestal. Por esta razón, una de las principales labores en el manejo
forestal es la medición de variables en árboles en pie. La importancia de esta actividad
radica en el hecho que la información recolectada en terreno permitirá el cálculo de
información cuantitativa que describe la condición actual y del crecimiento del bosque,
permitiendo, a su vez, proyectar un estimado del crecimiento potencial del sitio.
La captura de la información dasométrica relevante y confiable implica considerar
procedimientos estandarizados de medición. Los procedimientos de medición formalizados
permitirán la replicación y comparación sustentada de la información que se genere, evitará
errores de procedimiento y el uso de conceptos subjetivos.
3.2 Variables cuantitativas
3.2.1 Medición de diámetros
El diámetro es la principal variable cuantitativa que se puede medir en forma directa en

árboles en pie. En términos operativos se ha definido que para árboles en pie el diámetro
debe ser medido a la altura de 1.3 m desde el nivel del suelo, denominado también Diámetro
a la Altura del Pecho o DAP (d). Sin embargo esta altura convencional de medición puede
variar por la presencia de anormalidades tales como bifurcaciones, contrafuertes basales u
otros defectos del fuste o la pendiente del terreno. En terreno con pendiente, la altura de
medición debe fijarse por el lado más alto de esta. En árboles inclinados, la altura de
medición debe fijarse por el lado hacia donde se inclina el fuste. En árboles bifurcados a
una altura menor de1.30 metros cada fuste del árbol se mide y se considera como un
individuo; cuando la bifurcación se presenta a una altura superior a 1.30 metro de altura, se
realiza sólo una medición y se asume que el árbol tiene un fuste único. En árboles con
defectos a la altura de 1.30 m se realizan dos mediciones, cada una a igual distancia bajo
y sobre la altura de 1.30 m, siendo esta una distancia suficiente para sobrepasar la zona de
influencia del defecto (Cancino, 2006)
En la medición de los árboles existen otros diámetros de interés como los diámetros del
tocón, medido en procesos de cubicación y los diámetros a diferentes alturas del fuste con
Agropecuaria
el objeto de conocer el ahusamiento, el volumen y la forma de cada individuo que conforma

un rodal (Prodan et. Al, 1997; Avery y Burkhart 2002; Salas et al., 2005)
3.2.2 Medición de alturas
La altura de los árboles se define como la longitud de la línea recta que va desde el suelo
(base del fuste) hasta algún punto del árbol. Según sea la posición de este punto, se
determinan cinco tipos de alturas diferentes:
 Altura total: medida entre el suelo y el extremo de la yema terminal del fuste (ápice)
 Altura fustal: medida entre el suelo y el punto donde comienza la copa (viva o
muerta) del árbol
 Altura comercial: medida entre el suelo y el punto donde el fuste tiene un diámetro
comercial definido
 Altura del tocón: medida entre el suelo y la base del primer trozo
 Altura de copa viva: medida entre el suelo y el inicio de la copa viva.
Después del diámetro, la altura es la variable más medida en los árboles, la cual se utiliza
para caracterizar un rodal, estimar el volumen o determinar la calidad de sitio; también, para
clasificar árboles.
3.2.3 Medición del espesor de corteza
El espesor de corteza es una variable requerida para determinar diámetros sin corteza y de
esta manera evitar el error de sobre estimación al calcular los volúmenes efectivos de
madera. La razón entre el diámetro sin y con corteza (dsc/dcc) se puede utilizar para estimar
diámetros sin corteza para diversas alturas fustales. Un instrumento utilizado es el
calibrador de corteza. Dependiendo de la excentricidad del fuste se requiere obtener dos o
más muestras de espesor de corteza por unidad muestreada.
3.2.4 Medición de diámetro de copa
El diámetro de copa se mide en dos direcciones: norte-sur y este –oeste. Se toma como
referencia la proyección de los extremos de la misma sobre el suelo, midiéndose con cinta
métrica la distancia entre ambos extremos. Así se obtienen dos medidas, siendo la medida
final el promedio de las dos tomadas. (Fórmula 1)
Fórmula 1 Medición de diámetros de copa
Agropecuaria
Φ copa= (dc1+dc2=/2)
En donde:
dc1: diámetro de copa en X
dc2: diámetro de copa en Y
3.3 Variables Cualitativas
Además de las variables cuantitativas, los árboles también pueden ser evaluados por medio
de variables cualitativas que definen características complementarias a los valores
numéricos.
3.3.1 Posición Sociológica
Los árboles por diversas razones como la genética, la cantidad de material vegetal, la
competencia inter-específica, entre otras, se desarrollan de manera heterogénea
principalmente en altura, formando estratos de individuos conocidos como posición
sociológica o clase de copa. De acuerdo con Corvalan y Hernández 2006, en el rodal, los
árboles se pueden clasificar según su posición sociológica como se describe en Tabla 2
Tabla 2 Clasificación de árboles por su posición sociológica
Posc. Sociológica Descripción

Dominantes Cuando éstos reciben luz desde todas sus posiciones
Cuando éstos reciben luz plenamente desde arriba pero, parcialmente
Codominantes
desde los lados
Intermedios Cuando sus copas sólo reciben luz lateralmente
Suprimidos Cuando no reciben luz directamente
Fuente: Corvalán y Hernández 2006
3.3.2 Calidad Fustal
Otra clasificación que puede complementar la anterior, es la relacionada con su calidad

fustal con base en parámetros fenotípicos de un árbol ya que reúne varias características
determinantes con fines principalmente de producir madera para aserrío. De acuerdo con
su calidad fustal los árboles se pueden categorizar teniendo en cuenta la clasificación que
se encuentra en la Tabla 3
Tabla 3 Clasificación de árboles por su calidad fustal

Agropecuaria
Calidad Descripción
Árbol completamente recto o ligeramente torcido, sin inclinaciones del fuste con
respecto a un eje vertical, sin ramas gruesas. Ausencia total de plagas y
Bueno enfermedades, sin heridas, sin nudos grandes, son grano en espiral, aletones en la
base y evidencia de efectos de cola de zorro. Individuos de posición sociológica
Dominantes o Codominantes.
Árbol con el fuste levemente torcido a levemente inclinado, con presencia de grano en
espiral leve y con ramas que se insertan en el fuste en ángulo de 60°. Presencia o
evidencia de al menos una rama gruesa (mayor a 3 cm de diámetro) o gran cantidad
Regular
de ramas delgadas. En especies verticiladas, más de dos verticilos/m lineal de fuste
y/o con más de 4-5 ramas por verticilo. Presencia de aletones basales no pronunciados
Individuos de posición sociológica Dominante o Codominante.
Árbol que presenta al menos una de las siguientes características o condiciones:
torceduras severas, grano o hilo en espiral, árbol muy inclinado, con bifurcaciones, con
aletones basales evidentes y pronunciados, ramas muy gruesas, abundantes o
Malo
insertadas en ángulo de menos de 45°; heridas importantes en el fuste, plagas o
enfermedades. Con más de dos verticilos por metro lineal de fuste y/o con más de 4-5
ramas por verticilo. Individuos de posición sociológica Intermedio o suprimido.
Fuente: Canales 2006
Agropecuaria
4 Medición de Rodales
4.1 Muestreo y Medición de Rodales
Los estudios de crecimiento y rendimiento forestal se basan en el diseño y aplicación de

mecanismos de muestreo a partir del cual se estiman los valores poblacionales (Gadow et
al., 2001). El muestreo supone el inventario de una serie de unidades básicas, que en el
caso de modelos de rodal son parcelas y en el caso de modelos de árbol individual son
árboles. El principio fundamental al momento de realizar las mediciones posibles de
calidades de sitio y diferentes estados de la población que se pretende modelar. Para ello,
hay que tener en cuenta cuatro factores que van a determinar en gran medida las
características del muestreo (Vanclay, 1994).
 Distribución temporal de la población: la variable edad influye de manera

determinante en el desarrollo de un rodal o de un árbol (el crecimiento y la
mortalidad). Para construir un modelo que estime correctamente la evolución de la
población es necesario contar con datos reales de todo el rango de edades que se
pretende simular.
 Distribución espacial de la población: él área de la distribución de una especie
seguramente incluye zonas fisiográficas muy diferentes, y consecuentemente las
pautas de crecimiento pueden variar enormemente.
 Calidad de sitio: las variables climáticas y edafológicas de un sitio determinado
tienen gran peso en la evolución temporal de las variables dasométricas.
 Condiciones de rodal o del árbol individual: el crecimiento también depende de la
situación de partida, es decir, variables como la densidad de siembra, la
composición del rodal o las dimensiones y situaciones de competencia del árbol
individual influyen en las respuestas finales de crecimiento, y el muestreo debe
cubrir dichas variaciones.
En conclusión, los datos que se requieren para construir un modelo y las características del
muestreo necesario para obtenerlos dependen en gran medida del tipo de modelo a
desarrollar.
4.2 Diseño de muestreo para inventarios forestales
La toma de decisiones en el manejo forestal se basa fundamentalmente en la recolección

y el análisis de la información proveniente de inventarios forestales. Una condición
indispensable es que esta información se debe caracterizar en un buen grado de exactitud
en la medición y registro de atributos que describen el estado actual de los rodales. Uno de
los objetivos de la mesura forestal es la descripción y cuantificación de las existencias de
un bosque en términos de algún atributo evaluado a partir de una muestra. Dado que las
Agropecuaria
poblaciones forestales son, por lo general, muy extensas y de difícil acceso, su descripción
se basa en una pequeña muestra de árboles seleccionados de modo que representen a
toda la población (Prodan et al., 1997). En el muestreo de bosques se deben definir
claramente algunos aspectos como:
a. Población: es un conjunto de valores provenientes de unidades o elementos del
mismo tipo. La unidad corresponde al objeto sobre el cual se efectúan las
observaciones.
b. Muestra: una unidad muestreal es el mínimo de elementos o partes en la que está
dividida la población objetivo de estudio. La unidad de muestreo es definida durante
el proceso de planificación del inventario. La muestra es una parte o subconjunto de
la población, la cual normalmente se selecciona aleatoriamente con el fin de recoger
datos para generar información acerca de la población.
Las unidades muestreales se componen de un grupo de árboles que han sido
incluidos dentro de ella siguiendo alguna regla de selección, la cual puede ser
probabilística o no probabilística. El tamaño de la muestra, define el número de
unidades que son parte de la muestra. Al elegir el tipo de unidad muestral deberá
decidirse sobre la naturaleza, forma y tamaño, siendo estos factores de gran
relevancia en el costo y precisión del inventario.
c. Variable: es la observación de una característica o atributo asociado con un
individuo u objeto, que varía de un objeto a otro, o de un individuo a otro.
4.3 Unidades muestrales no Probabilísticas
Corresponde a aquellas unidades muestrales que no presentan una base estadística en la

selección de los árboles que componen la unidad. Estas se basan en la medición de
distancias desde un punto de muestreo a los árboles más cercanos o a la medición de
distancia entre árboles, siguiendo alguna determinada regla de selección de tipo no
probabilístico.
4.4 Unidades muestrales Probabilísticas
Para que una unidad muestral sea probabilística, deben cumplirse las siguientes
condiciones:
 Se asigna a cada árbol de la población una determinada probabilidad de ser

seleccionado en una unidad muestral
 Se localizan aleatoriamente puntos de muestreo, de modo que cualquier lugar de la
superficie donde se distribuye la población de árboles tenga la misma probabilidad
de ser elegido
Agropecuaria
 Todos los árboles de la población son susceptibles de ser seleccionados en cada

punto de muestreo instalado, con la probabilidad pre asignada.
Los muestreos probabilísticos más comúnmente empleados son: muestreo aleatorio simple,
muestreo sistemático y muestreo estratificado.
4.4.1 Muestreo Aleatorio Simple (MAS)
Corresponde al muestreo probabilístico más sencillo. Su importancia radica en el hecho que

es la base conceptual para otros diseños de muestreo. Este se basa en una selección
aleatoria de una parte de las unidades muestrales que componen la población.
Debido a lo anterior, su aplicación requiere contar con un listado de la totalidad de unidades
que componen la población, listado que se conoce como marco muestral. Bajo este diseño
de muestreo cada una de las posibles muestras de tamaño n de una población compuesta
por N unidades muestrales tiene igual probabilidad de ser seleccionada. Con el fin de
asegurar igual probabilidad de selección, cada una de las unidades que componen la
muestra es seleccionada aleatoriamente. La selección de cada unidad muestral puede ser
realizada manualmente utilizando una tabla de números aleatorios incorporados en
calculadoras y programa estadísticos.
Dentro de las ventajas de este diseño se tienen su objetividad y la obtención de estimadores
poblacionales insesgados y consistentes; sin embargo, la principal desventaja en el campo
forestal es la dificultad para localizar espacialmente las unidades seleccionadas
aleatoriamente en el terreno. Otra desventaja es que existe una cierta probabilidad de
seleccionar muestras poco representativas, especialmente si éstas se agrupan en un
determinado sector dentro del rodal a ser inventariado. El procedimiento utilizado para
localizar las unidades muestrales seleccionadas primero, es ubicarlas sobre una fotografía
aérea o mapa, posteriormente, identificar un punto de referencia cercano a la unidad
muestral desde el cual se avanza siguiendo rumbo y distancia.
4.4.1.1 Estimadores poblacionales
En inventarios forestales el principal objetivo es estimar valores medios y totales de la

población. La media poblacional es estimada a través de la media aritmética muestral
(Fórmula 2). (Prodan et al., 1997; de la hoz et a., 2004; Trincado, 2010)
Fórmula 2 Media poblacional
𝑛
𝑌 = ∑𝑦
𝑖=𝑙
𝑛
Agropecuaria
Dónde:
Y: Media poblacional
n: tamaño de la muestra
2
s 𝑦: se considera un estimador insesgado de la varianza poblacional
y: muestra poblacional
Fórmula 3
2 ∑𝑛 ⃑ )2
𝑖=𝑙(𝑦𝑖−𝑦
s𝑦 = 𝑛−1
Donde:
(n-1): grados de libertad producto de estimar la media poblacional
𝑦: Media poblacional
y: muestra poblacional
𝑦 = N. 𝑦
Dónde: N: corresponde al total de unidades muestrales que compone una población.
4.4.1.2 Errores de estimación
El error de estimación corresponde a la desviación estándar de las medias muestrales y

puede ser considerada como una medida de la precisión en la estimación de la media
poblacional. En caso que la muestra haya sido obtenida desde una población considerada
infinita, el error de estimación debe ser calculado así:
Fórmula 4
𝑆 𝑦⃑
𝑆 𝑦⃑=
√𝑛
Por otro lado, si el muestreo se realiza en una población finita, sin reposición de unidades,
es necesario efectuar una corrección para poblaciones finitas.
Fórmula 5
𝑆 𝑦. 𝑛
𝑆 𝑦⃑= . √1 − 𝑁
√𝑛
Donde:
1-n/N: factor de corrección para poblaciones finitas
Para el caso de una población infinita la varianza del total poblacional queda determinada
por la siguiente expresión:
Agropecuaria
Fórmula 6
2
2 S
s ⃑
𝑦
= N2. 𝑛
𝑦
Utilizando el mismo procedimiento es posible derivar la varianza del total poblacional para
una población de tipo finita.
Fórmula 7
2
2 S 𝑛
s = N2.. .(1 − 𝑁)
𝑦
⃑
𝑦 𝑛
Finalmente, el error estándar para el total poblacional 𝑆 ⃑⃑⃑⃑

𝑦)
es simplemente la raíz cuadrada
de su varianza.
4.4.1.3 Límites confidenciales

A partir del error de estimación se construyen los límites confidenciales para la media
muestral, dado un cierto nivel de confianza. Su construcción se basa en asumir que las
medias muestrales presentan una distribución de tipo normal, aun cuando las
observaciones individuales provengan de una población que presenta una distribución
distinta a la normal. Los límites confidenciales para la media muestral queda expresado por:
Fórmula 8
𝑦 ± 𝑡. 𝑆 𝑦⃑
Donde: 𝑆 𝑦⃑ se calcula dependiendo si la muestra se obtuvo de una población finita o infinita,

y t es el valor de la t-student para n-1 grados de libertad y un nivel de confianza de (1-𝛼).
De la misma manera, el intervalo de confianza para el total poblacional se obtiene utilizando
la siguiente expresión:
Fórmula 9
𝑌̂± 𝑡. 𝑆 𝑦⃑
Donde 𝑆 𝑦⃑ es la varianza para el total de la población.
4.4.1.4 Tamaño de la muestra
En labores de inventario se requiere determinar el número de unidades muestrales

necesarias para alcanzar un cierto error de muestreo dado un cierto nivel de confianza (1-
𝛼). Para una población infinita el error de muestreo se deriva de la fórmula de límites
confidenciales y corresponde a:
Agropecuaria
Fórmula 10
𝑆𝑦
E=t.
⃑⃑
√𝑛
Una expresión para determinar el tamaño muestreal se obtiene despejando n:

Fórmula 11
𝑡 2 .𝑠𝑦2
n= 𝐸2
Al observar esta expresión se advierte que el tamaño muestral está determinado por el
grado de homogeneidad de la población cuantificada por la varianza (𝑠𝑦2), la precisión
requerida expresada por el error de muestreo (E) y el nivel de seguridad establecido (1-𝛼)
a través del valor t. El número de unidades requeridas será mayor en poblaciones que
presentan una alta heterogeneidad, al igual que al disminuir el error de muestreo sea
expresado en porcentaje, la variabilidad de la población debe ser cuantificada utilizando el
coeficiente de variación (cv). Por lo tanto, una fórmula equivalente en unidades
porcentuales es:
Fórmula 12
𝑡 2 .𝑐𝑣 2
n= 𝐸%2
Para una muestra proveniente de una población finita el error de muestreo queda expresado
como:
Fórmula 13
𝑆 𝑛
E=t. 𝑦𝑛.√1 − (𝑁)
√
Por lo tanto, despejando n se tiene la siguiente expresión para calcular el número de

unidades muestrales requeridas:
Fórmula 14
𝑡 2. 𝑆𝑦2
n= 𝑡2 .𝑠2
𝑦
𝐸2+
𝑁
De igual manera que para poblaciones infinitas al utilizar una expresión porcentual del error
de muestreo es necesario emplear el coeficiente de variación para medir el grado de
homogeneidad de la población:
Agropecuaria
Fórmula 15
𝑡 2. 𝑐𝑣𝑦2
n= 𝑡2 .𝑠2
2+ 𝑦
𝐸%
𝑁
4.4.2 Muestreo Sistemático
El muestreo sistemático consiste en distribuir una red de parcelas ordenadas conforme a

una geometría regular sobre el área que se quiere muestrear. Este ordenamiento puede ser
rectangular, cuadrado o de otro tipo. La distribución se inicia localizando aleatoriamente la
primera unidad muestral. El diseño que más se utiliza en inventarios forestales es la
distribución sistemática de unidades muestrales (Prodan et al., 1997) debido a que:
 En la mayoría de los casos logra una representación más uniforme de la población

 Es posible distribuir las unidades muestrales en terreno, aun careciendo de una
representación cartográfica del bosque. La localización es generalmente más
eficiente.
 Con frecuencia resulta más eficiente que el muestreo aleatorio simple, ya que se
obtiene un menor error de estimación para un mismo tamaño muestral.
Para evitar sesgos en el diseño sistemático hay que tener precaución de que la red de
muestreo no sea paralela a ciertos rasgos sistemáticos del terreno. Otra desventaja teórica
del muestreo sistemático es que no hay fórmulas exactas para calcular el error admisible.
Por esta razón, normalmente se calcula el error admisible con la fórmula del muestreo del
muestreo aleatorio simple. Para la realización de un muestreo sistemático con arranque
aleatorio se selecciona un intervalo de muestreo “K” (Orozco y Brumer 2002)
Fórmula 16
𝑁
K= 𝑛
Dónde:
K: intervalo de muestreo
N: Tamaño de la población
n: Tamaño de la muestra
Se selecciona aleatoriamente la parcela de inicio del inventario entre 1 y K posibilidades.
Agropecuaria
4.4.3 Muestreo Estratificado
El muestreo aleatorio o el sistemático son eficientes siempre y cuando las características

de la superficie a inventariar sean relativamente uniformes; si no las cumple es conveniente
acudir a un muestreo estratificado (De la Hoz et al., 2004)
El diseño de muestreo estratificado consiste en subdividir la población de interés en M
(j=1,…, M) subpoblaciones homogéneas. Cada una de estas subpoblaciones conforma un
estrato. Este procedimiento permite disminuir la variabilidad entre las unidades muestrales
que componen cada estrato y aumentar la variabilidad entre estratos. Los estratos pueden
ser establecidos considerando una serie de atributos como son el tipo, la edad y la
estructura del bosque, o bien una combinación de atributos.
Dentro de las características favorables de este diseño de muestreo bajo las condiciones
mencionadas se puede indicar las siguientes: alcanzar menores errores de muestreo,
disminuir el número de muestras y por ende, los costos de inventario; de esta manera, se
aumenta la precisión de las estimaciones, debido a que es posible obtenerlas por cada
estrato.
4.4.3.1 Estimadores por estrato
Las expresiones utilizadas para estimar la media y la varianza poblacional dentro de cada
estrato son equivalentes a las empleadas por el muestreo aleatorio simple (MAS). La media
poblacional para el estrato j se calcula como el promedio aritmético de las observaciones
muestrales del estrato:
Fórmula 17
𝑛𝑗
∑𝑖=1 𝑦𝑖𝑗
𝑦̂𝑗 = 𝑛𝑗
j=1,…., M
Dónde:
𝑦𝑖𝑗 : I-ésima observación dentro del estrato
j y nj: tamaño muestral para el j-ésimo estrato
Por otro lado, la varianza poblacional dentro de cada estrato se obtiene utilizando la
siguiente expresión:
Agropecuaria
Fórmula 18
𝑛𝑗
∑ (𝑦𝑖𝑗−𝑦̂𝑗 )2
𝑆𝑗2 = 𝑖=1𝑛 −1
𝑗
4.4.3.2 Estimadores poblacionales

La media de la población se calcula como la media ponderada de todos los estratos.
Fórmula 19
𝑛
𝑦̂𝑠𝑡 =∑𝑖=1
𝑗
𝑃𝑗 . 𝑦̂𝑗
Para este caso, el factor de ponderación de cada estrato j corresponde al tamaño relativo
de cada estrato en relación al tamaño total de la población Pj=Nj/N, donde N es el total de
unidades muestrales de la población y Nj es el total de unidades dentro del estrato j. Por lo
tanto, se tiene que:
N=∑𝑀
𝑗=1 𝑁𝑗
De igual manera, la varianza poblacional estimada es simplemente la varianza de cada

estrato ponderada por el tamaño relativo de cada estrato.
Fórmula 20
2
𝑆𝑠𝑡 =∑𝑀
𝑗=1 𝑃𝑗 . 𝑆𝑗
2
4.4.3.3 Error de estimación y límites confidenciales

El error de estimación para una población infinita o muestreo con reemplazo se calcula
utilizando a siguiente expresión:
Fórmula 21
𝑃𝑗2 .𝑆𝑗2
𝑆𝑦2̂𝑠𝑡 = ∑𝑀
𝑗=1 𝑛𝑗
Y para una población finita o son reemplazo:

𝑃𝑗2 .𝑆𝑗2 𝑛𝑗
𝑆𝑦2̂𝑠𝑡 = ∑𝑀
𝑗=1 .(1 − )
𝑛𝑗 𝑁𝑗
Al igual que para la media y la varianza poblacional el error de estimación en ambos casos
se calcula simplemente como una media ponderada de los errores de estimación para cada
uno de los estratos. Finalmente, el intervalo de confianza para la media poblacional dado
un cierto nivel de confianza está determinado por:
Fórmula 22
𝑦̂𝑠𝑡 ± 𝑡 ∙ 𝑆𝑦̂𝑠𝑡
Agropecuaria
4.4.3.4 Tamaño de la muestra
Al igual que para el muestreo aleatorio simple, para el muestreo aleatorio estratificado es
necesario también determinar el número de unidades muestrales n necesarias para
alcanzar un error de muestreo dado para un cierto nivel de confianza (1-𝛼). Las expresiones
utilizadas para establecer el tamaño muestral están determinadas por el tipo de
procedimiento de asignación adoptado. Si la asignación utilizada es proporcional a la
superficie y se trata de una población infinita la expresión utilizada es:
Fórmula 23
𝑡2
n= (𝐸 ) ∙ ∑𝑀
𝑗=1 𝑃𝑗 ∙ 𝑆𝑗
2
En caso de tratarse de una población finita o al utilizar muestreo sin reemplazo de unidades
muestrales, se emplea la siguiente expresión:
Fórmula 24
𝑁∙𝑡 2 ∙∑𝑀 𝑃𝑗∙ 𝑆𝑗2

n=𝑁∙𝐸 2 +𝑡 2𝑗=1
∙∑𝑀 2
𝑗=1 𝑃𝑗∙ 𝑆𝑗
Por otro lado, si el procedimiento adoptado corresponde a una asignación óptima, el número
total de unidades muestrales para una población considerada infinita es calculada como:
𝑡 2 2
n=( ) ∙ (∑𝑀
𝑗=1 𝑁𝑗 ∙ 𝑆𝑗 )
𝑁∙𝐸
Si la población es de tipo finita se utiliza la siguiente expresión:

Fórmula 25
2
(∑𝑀
𝑗=1 𝑁𝑗 ∙𝑆𝑗 )
n=𝑁2 ∙𝐸2
+∑𝑀
𝑗=1 𝑁𝑗 ∙𝑆𝑗
𝑡2
4.4.3.5 Asignación de muestras por estrato
Una vez que el tamaño de la muestra n ha sido determinado es necesario asignar un

determinado número de muestras nj dentro de cada estrato j=1,…, M. La distribución
espacial de cada una de estas muestras dentro de cada estrato puede ser realizada en
forma aleatoria o sistemática siguiendo algún tipo de ordenamiento geométrico. El proceso
de asignación dentro de cada estrato puede ser llevado a cabo siguiendo uno de los
criterios.
Agropecuaria
4.4.3.6 Asignación proporcional a la superficie
La asignación de unidades muestrales puede ser realizada considerando el tamaño relativo

de cada uno de los estratos. En este caso un mayor número de unidades es asignado en
aquellos rodales que presentan mayores superficies:
Fórmula 26
n,= Pj∙n
Uno de los posibles inconvenientes es que este criterio no considera la variabilidad
existente dentro de cada estrato. Un estrato con mayor superficie no necesariamente
presenta la mayor variabilidad, que también es un factor para definir el número de muestras
requeridas.
4.4.3.7 Asignación Óptima
Un procedimiento que considera la variabilidad existente dentro de los estratos se conoce

como asignación óptima. En este caso tanto el tamaño relativo de cada estrato como su
variabilidad son considerados en el proceso de asignación.
Fórmula 27
𝑃 ∙𝑆
𝑛𝑗 = ∑𝑀 𝑗 𝑃 𝑗∙𝑆 ∙ 𝑛
𝑗=1 𝑗 𝑗
Un requerimiento necesario para realizar esta asignación es conocer la variabilidad

existente dentro de cada estrato cuantificado a través de la desviación estándar.
Agropecuaria
5 Parámetros de Rodal
5.1 Determinación de parámetros del Rodal
El rodal es una unidad de varios individuos (árboles) semejantes, que es considerada como
un elemento único o como una colectividad estadística para su medición y evaluación
(Prodan et al., 1997), Los valores más simples que caracterizan el estado de un rodal en
un momento específico del tiempo son el diámetro medio y la altura media. Otros
parámetros del rodal de gran interés son el número de árboles y el área basal por hectárea.
De igual forma, cuando la caracterización del rodal tiene como meta la valoración
económica del mismo, el volumen de madera se convierte en el parámetro de mayor
importancia.
Los principales parámetros que describen un rodal son:
̅)
5.1.1 Diámetro medio (𝒅
El diámetro medio del rodal corresponde al promedio aritmético de los valores del diámetro
a la altura del pecho de los árboles que componen el rodal. Una estimación puede ser
realizada a partir de los árboles medidos en una parcela. El diámetro medio del rodal se
estima a través de la siguiente fórmula:
Fórmula 28
∑𝑛𝑖=1 𝑑𝑖
𝑑̅ =
𝑛
Donde:
n: número de individuos en la parcela
d: diámetro medio en el i-ésimo árbol (cm)
5.1.2 Área Basal (G)
El área basal se define como el valor resultante de la suma de las secciones transversales
a la altura del pecho, por unidad de área del terreno. Normalmente la sección para cada
árbol se calcula a partir del diámetro, suponiendo una sección circular, por lo tanto, el área
basal (G) se expresa en metros cuadrados por hectáreas. Se calcula a partir de la siguiente
fórmula:
Agropecuaria
Fórmula 29 Área basal

𝜋
G=40000 ∙ 𝑓𝑒 ∙ ∑𝑛𝑖=1 𝑑𝑖2
10000
Dónde 𝑓𝑒 es el factor de expansión o reducción a hectárea (𝑓𝑒 ∙ 𝑠𝑢𝑝𝑒𝑟𝑓𝑖𝑐𝑖𝑒 𝑝𝑎𝑟𝑐𝑒𝑙𝑎)
5.1.3. Número de árboles (N)

El número de árboles por hectárea (N) se calcula a partir del conteo de los árboles medidos
dentro de cada parcela, para su determinación se puede utilizar la siguiente expresión:
Fórmula 30 Número de árboles
N=n∙ 𝑓𝑒
Donde n es el número de árboles dentro de la parcela.
5.1.4 Diámetro Cuadrático (Dg)
El diámetro medio cuadrático corresponde al diámetro del árbol de área basal media y se
obtiene empleando la siguiente expresión:
Fórmula 31 Diámetro medio cuadrático
40000 𝐺
𝐷𝑔 = √ ∙
𝜋 𝑁
5.1.5 Altura total media (h)
Las alturas absolutas son principalmente dependientes de la espacie, la calidad del sitio, la
edad y el manejo del rodal. Por el contrario, las alturas relativas dentro del rodal son
dependientes del diámetro, de la posición sociológica del árbol dentro del rodal y de muchos
otros factores que no pueden ser registrados directamente en forma cuantitativa. Un
estimativo de la altura media del rodal se puede obtener mediante la siguiente fórmula:
Fórmula 32 Altura total media
𝑛
∑ ℎ𝑖
ℎ̅= 𝑖=1
𝑛
Agropecuaria
Donde
n: número de árboles dentro de la parcela
h: altura media en el i-ésimo árbol (m)
5.1.6 Altura dominante
Se trata de las alturas de un número fijo de árboles de grandes dimensiones por unidad de
superficie. En los estudios de crecimiento generalmente se utiliza la definición de altura
dominante derivada de la propuesta por Assmann 1970, que consiste en calcular dicha
variable como la media de las alturas de los cien árboles más gruesos (de mayor diámetro
a la altura del pecho) por hectárea. Para su estimación a partir de datos de inventario o de
parcelas permanentes.
Generalmente se selecciona en éstas un número proporcional de individuos dominantes en
función de la superficie de la parcela.
5.1.7 Volumen Total (V)
Cada árbol es cubicado o su volumen es predicho mediante una función de volumen. El

volumen por hectárea se obtiene sumando el volumen estimado para cada árbol presente
en la parcela por el factor de expansión.
Fórmula 33 Volumen total
V= 𝑓𝑒 ∙ ∑𝑛𝑖=1 𝑣𝑖
Donde Vi: es el volumen total o comercial del i-ésimo árbol obtenido a través de una
ecuación de volumen o la integración de un modelo de ahusamiento.
Agropecuaria
6 Modelamiento del crecimiento y Rendimiento Forestal
6.1 Aspectos generales del modelamiento del crecimiento forestal
El monitoreo del crecimiento de plantaciones forestales es una de las principales

actividades requeridas en la planificación forestal. Conocer cómo es el desarrollo de las
plantaciones forestales a interpretar cuál podría ser la producción de madera al final de la
rotación es una de las principales inquietudes del reforestador. Los estudios de monitoreo
del crecimiento permiten colectar datos que suministran información necesaria para dar
respuestas confiables a estas inquietudes.
El crecimiento es el incremento gradual de un organismo, población u objeto en un
determinado período de tiempo. El crecimiento acumulado hasta una edad determinada
presenta el rendimiento a esa edad. El crecimiento es el resultado de un balance entre
síntesis y degradación (Von Bertalanffy 1957; Prodan et al., 1997)
En las ciencias forestales y en otras ramas agrícolas se determina la productividad a través
de funciones de crecimiento y rendimiento. El crecimiento se refiere al incremento en
volumen o peso y es expresado generalmente en unidad de área por unidad de tiempo,
mientras que el rendimiento se refiere a la cantidad total de producto producido o cosechado
en un tiempo determinado y se puede expresar en m3/ha o en Ton/ha, siendo el crecimiento
acumulado en el tiempo equivalente al rendimiento (Zedaker et al., 1987).
6.2 Tipos de modelos del crecimiento y rendimiento forestal
Los modelos de crecimiento y rendimiento son, desde el punto de vista del manejo
sostenible de los recursos, un apoyo, teniendo en cuenta su aplicabilidad en todos los
componentes de la cadena forestal desde la planificación de las futuras plantaciones,
mediciones de captura de CO2 hasta la optimización de los productos maderables a ser
aprovechados. Un modelo es una abstracción o una representación simplificada de algún
aspecto de la realidad. Un modelo de crecimiento de un rodal generalmente se refiere a un
sistema de ecuaciones, el cual puede predecir el crecimiento y el rendimiento, bajo una
amplia variedad de condiciones. Los modelos empleados en las ciencias forestales han ido
evolucionando de acuerdo con el nivel de detalle que los silvicultores han requerido de
información (Vanclay 1994). Los modelos de crecimiento según su enfoque se pueden
clasificar en determinísticos y estocásticos.
Agropecuaria
6.2.1 Modelos determinísticos y estocásticos
Un modelo de crecimiento determinístico da una estimación del crecimiento esperado de

un rodal, de la misma manera en que la media indica la tendencia esperada para una
población, dadas las mismas condiciones iniciales; además, siempre predecirá el mismo
resultado. Sin embargo, por la variación natural en el medio ambiente, un rodal real no crece
exactamente la misma cantidad cada año, puede crecer más o menos que la cantidad
esperada.
Un modelo estocástico intenta ilustrar esta variación natural proporcionando diferentes
predicciones, cada una con una probabilidad de ocurrencia específica; cualquiera de estas
estimaciones puede corresponder al crecimiento bajo algunas circunstancias pero, puede
diferir del crecimiento esperado. Una sola estimación de un modelo estocástico tiene poca
utilidad, mientras que una serie completa de estimaciones proporciona información útil de
la variabilidad de las predicciones.
Según el nivel de detalle, los modelos de crecimiento empíricos se pueden clasificar en
modelos de crecimiento a nivel de rodal, distribución de clases y modelos de árbol
individual.
6.2.2 Modelos de crecimiento a Nivel de Rodal
Los modelos de rodal informan sobre el desarrollo probable del conjunto de árboles que lo
constituyen. Su principal ventaja es que requieren poca información (solo variables de rodal)
para, mediante una serie de funciones matemáticas, estimar el crecimiento y el volumen
futuro, por lo que son los modelos más sencillos y, a su vez, los más robustos en
proyecciones a largo plazo, proporcionando generalmente buenas estimaciones de las
variables dasométricas (Burkhart 2003); no obstante son los modelos de menor nivel de
detalle, los que nos permiten conocer cómo se reparte la producción del rodal entre las
distintas clases (habitualmente de tamaños) de los árboles (Dieguez et al., 2009). Estos
modelos pueden incluir algoritmos que permiten la recuperación de la distribución
diamétrica a la edad de proyección.
6.2.3 Modelos de clases de Tamaño
Los modelos de clases de tamaño surgieron para dar respuesta a las necesidades de
información sobre el número de árboles de diferentes tamaños que hay en los rodales
mono-específicos y regulares. Estos modelos permiten simular de manera separada el
crecimiento en cada clase (diamétrica o de área basal) mediante el cálculo de las
características del árbol medio representativo de cada una de ellas (volumen, crecimiento
en diámetro, entre otras). La escasa disponibilidad de datos que hagan posible el desarrollo
Agropecuaria
de modelos de árbol individual, junto con la necesidad de conocer mejor el tipo de productos
que se pueden obtener en un rodal, hacen que en determinadas circunstancias sea
interesante el uso de modelos de clases dimensionales (Dieguez et al., 2009).
6.2.4 Modelos de árbol individual
Entre los modelos de crecimiento, los de árbol individual son los más complejos y los de
mayor nivel de detalle, ya que tratan de describir el crecimiento particular de cada uno de
los árboles de un rodal a partir de los fenómenos que lo condicionan.
La mayoría utiliza un índice de competencia en las ecuaciones de crecimiento de cada
árbol, como una medida de su interacción con otros árboles del rodal en la lucha por la luz,
agua, nutrientes y el espacio del crecimiento. Este índice se utiliza para determinar si el
árbol está vivo o muerto y si vive, para estimar su crecimiento en términos de diámetro y en
ocasiones de la altura y el tamaño de la copa.
Existen numerosas metodologías para calcular los índices de competencia en estos
modelos:
 Si los cálculos de basan en la distancia media entre cada árbol y todos los que están
dentro de su zona de competencia, los modelos dependen de la distancia
(entonces, es necesario conocer las coordenadas de los árboles dentro del rodal)
 Si el índice de competencia se basa solamente en las características del árbol
objetivo y en características del rodal en que está incluido, se trata de modelos
independientes de la distancia (Davis et. Al., 2009)
Los inconvenientes con este tipo de modelo es que requieren un gran volumen de datos
para su construcción y utilización, algunos de estos muy costosos de conseguir, y exigen
una elaboración metodológicamente más compleja, si se comparan con los otros tipos de
modelos de crecimiento. (Dieguez et al., 2009).
Según la estrategia de modelamiento, los modelos se crecimiento se pueden clasificar en
modelos estáticos y dinámicos.
6.2.5 Modelos estáticos y dinámicos
Los modelos de crecimiento estáticos (Alder 1980) intentan predecir directamente el curso
en el tiempo de las cantidades de interés (volumen, diámetro medio). Estos podrían ser
utilizados para rodales sometidos a un rango estrecho de tratamientos, para los cuales se
debe disponer de datos experimentales de largo plazo.
Los modelos dinámicos se proyectan sobre un rango más amplio de regímenes silvícolas
(espaciamiento inicial, varias secuencias e intensidades de raleo y podas). En lugar de
Agropecuaria
modelar directamente el curso de las cantidades en el tiempo, estos predicen tasas en el

tiempo y, entonces el rendimiento se obtendría sumando o integrando estas tasas.
7 Estrategia de modelamiento empleada en el sistema de simulación del

crecimiento y rendimiento forestal SimFor V1.0
El modelo de crecimiento y rendimiento desarrollado a partir de la información compilada

por CONIF, corresponde a un sistema de proyección de crecimiento a nivel de rodal con
desagregación de clases diamétricas. La estrategia de simulación ha sido seleccionada
considerando la información de crecimiento disponible en la actualidad para las especies
de interés, por lo tanto, se considera como una versión preliminar que deberá ser mejorada
con la información de mediciones futuras en las plantaciones. Adicionalmente, se requiere
el establecimiento de nuevas parcelas permanentes para validar el comportamiento del
sistema de proyección desarrollado.
En general, el sistema de simulación cuenta con los siguientes modelos que proyectan en
forma dinámica la condición de los rodales:
 Modelo de índice de sitio (altura dominante)

 Modelo de mortalidad
 Modelo de área basal
El proceso de simulación comienza especificando la condición inicial del rodal que se desea
proyectar, requiriendo la edad inicial (E1), la edad final (E2), densidad inicial, expresado por
el número de árboles por hectárea (N), el área basal inicial (G1) y la altura dominante inicial
(H1) o Índice de Sitio (IS) del rodal.
Los modelos o funciones de transición son utilizados para proyectar la edad futura (E2). El
proceso de simulación se realiza anualmente (E2-E1=1) con el propósito de recuperar las
curvas de desarrollo del rodal simulado.
En la Ilustración 1 se presenta el proceso de simulación en forma esquemática.
Para cada una de las proyecciones anuales se estima la distribución diamétrica del rodal,
utilizando una función de distribución (WEIBULL). La estimación de la tabla de rodal se
realiza aplicando un algoritmo de recuperación de parámetros de la función de densidad de
WEIBULL. Una vez recuperada la distribución se procede a estimar las alturas de cada
clase diamétrica y sus volúmenes comerciales utilizando:
 Modelos generalizados de altura-diámetro

 Modelos fustales o de ahusamiento
Agropecuaria
Ilustración 1 Representación esquemática del sistema de simulación SimFor v1.0
Fuente: CONIF
7.1 Índice de sitio
7.1.1 Productividad y calidad de sitio
En el contexto del manejo forestal la calidad de sitio puede ser definida como la capacidad
de un área determinada para el crecimiento de los árboles (Prodan et al., 1997) o según
Clutter et al., 1983 como la producción potencial de madera de un sitio para una especie en
particular o tipo forestal. Es la respuesta de la especie a determinadas características
climáticas, edáficas y bióticas presentes en un lugar determinado.
La productividad es un concepto biológico que no puede ser expresado matemáticamente.
Por ello se ha optado por representar la calidad de sitio a través de un valor o índice
denominado índice de sitio; expresión cuantitativa de la calidad del sitio (Prodan et al.,
1997). Los métodos para estimar la productividad de sitio se clasifica en:
Agropecuaria
7.1.1.1 Métodos directos
 Estimación de los registros de rendimiento

 Estimación basada en los datos de volumen del rodal
 Estimación basada en los datos de altura del rodal
7.1.1.2 Métodos indirectos
 Estimación de las relaciones inter-especie del dosel superior

 Estimación de las características de la vegetación menor
 Estimación de los factores topográficos, climáticos y edáficos.
Los métodos directos de evaluación necesitan de la existencia actual o en el pasado de las
especies de interés en el lugar particular donde la calidad de sitio va a ser evaluada (la
existencia pasada sólo es útil si las mediciones fueron hechas en el momento oportuno y
se conservan hasta el presente).
Se deben emplear métodos directos de medición de las especies ya que estos proveen de
mejores evaluaciones de la calidad de sitio que los indirectos (Cluter et al., 1983).
Considerando que la altura dominante (altura promedio de los 100 árboles con el mayo
diámetros por hectárea) del rodal es independiente de los tratamientos silvícolas aplicados
al rodal y, por lo tanto, de la densidad del mismo, la predicción del crecimiento en altura de
los rodales coetáneos es usada para caracterizar el desarrollo o crecimiento del rodal y para
asignar una calidad de sitio en el cual se desarrollan (García 1983). El potencial de
crecimiento también llamado calidad de estación de sitio, es expresado por el índice de Sitio
(IS), que es el valor de la altura dominante del rodal y las de índice de sitio son parte
integrantes fundamental de todo el modelo de crecimiento a nivel de rodal (Gadow et al.,m
2001).
7.1.1.3 Datos requeridos para la construcción de curvas de Índice de Sitio
Según Proden et al., 1997, se han propuesto diferentes métodos para desarrollar funciones
de sitio, que varían según el principio aplicado, el tipo de datos, el método de construcción
y el modelo empleado. Los datos utilizados provienen de fuentes de información tales como
parcelas permanentes, parcelas temporales y análisis fustal. Las parcelas permanentes
generan series de desarrollo altura-edad que permiten la construcción de curvas
anamórficas y polimórficas.
Agropecuaria
7.1.1.4 Curvas de Índice de Sitio
La tendencia es utilizar fórmulas matemáticas de carácter biológico que se ajusten a las

leyes de crecimiento: forma sigmoidea, punto de inflexión determinable matemáticamente,
crecimiento asintótico cuando la edad tiende a infinito (Celis 1996). Una de las funciones
más utilizadas es la ecuación de crecimiento en altura (Índice de Sitio), correspondiente a
la función de Chapman –Richards (Richard 1959; Chapman 1961) la cual es una
generalización de la desarrollada por Von Bertalanffy 1957. Ortega y Montero 1988 señalan
que esta ecuación es la más adecuada para la construcción de curvas de Índice de Sitio.
En la modelación forestal se distinguen dos tipos de curvas de índice de sitio: las
anamórficas y las polimórficas.
7.1.1.4.1 Sistema anamórfico

Una familia de curvas de índice de sitio es anamórfica cuando presentan igual forma para
todos los sitios, es decir, una curva de crecimiento para un buen sitio va a tener la misma
forma que para uno pobre y la asíntota es diferente para cada curva.
El método de curva guía ha sido el más tradicional en la construcción de funciones de índice
de sitio anamórficas (Prodan et al., 1997). A partir de una relación única para todos los
datos de altura por edad, se deriva por el principio de proporcionalidad constante. Husch
1952, expone los tres supuestos en los que se basa este método: los datos del muestreo
deben representar adecuadamente un rango de sitios del rodal; el efecto de las diferencias
de sitio sobre el crecimiento en altura es relativamente el mismo para todas las edades y
los patrones de crecimiento en altura sobre sitios buenos son similares a los pobres.
7.1.1.4.2 Sistema polimórfico

Se ha comprobado que la proporcionalidad constante no es tal en todos los casos (Prodan
et al., 1997) es decir, que se producen curvas de varias formas no proporcionales
(polimórficas), que dependen de las relaciones altura-edad observadas en diferentes clases
de sitio. Las curvas polimórficas proveen una representación más exacta de los patrones
de crecimiento en altura que las curvas anamórficas (Davis y Johnson, 1987), al variar de
forma de acuerdo con el índice de sitio, proporcionando mayor exactitud en las
estimaciones (Husch et al., 2003).
7.1.1.5 Modelos de transición de altura dominante (índice de Sitio) para las

principales especies forestales en Colombia.
Con los datos provenientes de la Red de Parcelas Permanentes de Crecimiento y
Rendimiento que CONIF ha construido con base en proyectos de C+T+i del MADR, se
ajustaron funciones de transición de altura dominante para las principales especies
empleadas en los programas de reforestación comercial del país. Fueron ajustados ocho
modelos provenientes de estudios previos reportados en literatura (Schumacher 1939; Korf
Agropecuaria
1939; Chapman 1961; McDill y Amateis 1992; García y Ruíz 2003), de los cuales se
seleccionó el modelo que representó la mejor bondad de ajuste y capacidad predictiva.
En la Tabla 4 se presentan las funciones de transición de altura dominante seleccionadas
para cada especie, acompañada de su respectiva bondad de ajuste. Los modelos
seleccionados son sistemas polimórficos.
Tabla 4 Funciones de Transición de altura dominante (Índice de sitio) seleccionadas para cada especie
Bondad de ajuste
Zona Especie Modelo
R2 Sy.x
𝐻2
= 36.009534
𝐸2 0.754037
E. tereticornis 1⁄ ⁄𝐸 0.93 1.03
1
𝐻1 0.754037
∙ {1 − [1 − ( ) ] }
36.009534
𝐻2
= 28.882209
𝐸2 0.745155
G. arborea 1⁄ ⁄𝐸 0.92 0.70
1
𝐻1 0.745155
Costa ∙ {1 − [1 − ( ) ] }
Atlántica 28.882209
23.686086
𝐻2 =
T. grandis 23.686086 𝐸 1.623025 0.93 0.87
1 − (1 − ) ∙ ( 1)
𝐻1 𝐸2
𝐻2
= 27.059868
1
B. quinata 𝐸2 0.86 0.93
0.850265 ⁄𝐸 0.850265
𝐻1 1
∙ {1 − [1 − ( ) ] }
27.059868
0.838637
𝐸1
( )
G. arborea 𝐻1 𝐸2
0.94 1.19
𝐻2 = 33.206081 ∙ ( )
33.206081
𝐻2
= 31.649653
1
T. grandis 𝐸2 0.96 0.66
1.317434 ⁄𝐸 1.317434
𝐻1 1
Región ∙ {1 − [1 − ( ) ] }
Andina 31.649653
𝐻2
= 46.999115
𝐸2 1.578727
P. patula 1⁄ ⁄𝐸 0.96 1.42
1
𝐻1 1.578727
∙ {1 − [1 − ( ) ] }
46.999115
Agropecuaria
Bondad de ajuste
Zona Especie Modelo
R2 Sy.x
𝐻2
= 26.508445
𝐸2 1.831335
P.oocarpa 1⁄ ⁄𝐸 0.97 1.18
1
𝐻1 1.831335
∙ {1 − [1 − ( ) ] }
26.508445
56.418438
𝐻2 =
E. grandis 56.418438 𝐸 1.147718 0.95 1.66
1 − (1 − ) ∙ ( 1)
𝐻1 𝐸2
Dónde: E1: edad 1; E2: edad 2; H1: altura dominante a E1y H2: altura dominante a E2
Fuente CONIF
Aunque las funciones de transición de altura dominante se han ajustado con metodologías
invariantes con respecto a la edad de referencia, su uso práctico para estimar la calidad de
sitio a partir de los datos “altura dominante-edad” requiere seleccionar una edad base a la
cual referenciar el índice de sitio. De manera inversa, el índice de sitio y su correspondiente
edad base pueden también usarse para estimar la altura dominante a otra edad. La edad
de referencia debe seleccionarse de manera que permita predecir de forma fiable la altura
dominante a otras edades, teniendo en cuenta que el crecimiento en altura puede ser
errático a edades juveniles pero, considerando también que una edad base temprana
ayudará a una pronta toma de decisiones acerca de los posibles tratamientos que se
debieran aplicar al rodal (Dieguez et al., 2009) Las edades de referencia (edad clave)
seleccionadas para cada especie se presentan en la Tabla 5
Tabla 5 Edades de referencia seleccionadas para cada especie
Especie Edad de referencia (clave)

E. tereticornis 10
G. arborea 10
T. grandis 17
P. Patula 15
P. ocarpa 12
E grandis 8
B. quinata 15
Fuente: Conif
Agropecuaria
8 Densidad y estructura del rodal
8.1 Densidad del rodal
Después de la calidad de sitio, la densidad es el segundo factor para la determinación de

la productividad de un sitio forestal (Wenceslao 2009). Este es el principal factor que el
silvicultor puede manipular para influir en el establecimiento y desarrollo de las especies,
en la mejora de la calidad de la madera, en las tasas de crecimiento en diámetro e incluso
en la producción de volumen maderable (Daniel et al., 1992).
El número de árboles y el área basal por unidad de superficie son las variables que se
emplean con mayor frecuencia para cuantificar la densidad de un rodal forestal cuando el
objetivo es predecir su crecimiento y la producción de madera (Dieguez et al., 2005).
La mortalidad se refiere al número de árboles que fueron medidos inicialmente y que
murieron durante el período de crecimiento considerado (Moscovich 2004). La mortalidad
puede ser causada por diversos factores como la edad, competencia, enfermedades o
plagas, condiciones climáticas adversas, fuegos silvestres y por anillamiento,
envenenamiento y el corte del árbol. (Sanquetta 1996.)
Muchos modelos de crecimiento para rodales coetáneos predicen la mortalidad como
función dependiente de la densidad, asumiendo que existe una relación simple entre
densidad máxima del rodal y el diámetro medio de los árboles (Vanclay 1994). Basados en
estos conceptos fueron propuestos tres tipos de relaciones:
8.1.1 Espaciamiento relativo (Hart 1928; Wilson 1951)
Originalmente formulado como una guía práctica de raleos pero, fue usado como una guía
de densidad límite del rodal (Mitchell 1975). Este índice relaciona el espaciamiento medio
con la altura dominante del rodal (H) y puede ser expresada en términos del número de
árboles (N). El espaciamiento medio entre árboles depende de la distribución teórica de
éstos en el terreno, de modo que la expresión del índice de espaciamiento relativo (S%) es
la Fórmula 34
Fórmula 34 Índice de espaciamiento relativo
100
S (%)=K∙ ∙100
√𝑁∙𝐻
Donde:
K: 1 si se asume una distribución de los árboles en el marco real o malla cuadrada
0.25
o (4⁄3) si se asume una distribución al tresbolillo o triangular.
Agropecuaria
8.1.2 Ley de autorraleo (Yoda et al., 1963)
Reza que sin importar la especie, el número de árboles decrece a medida que aumenta su
tamaño. Una superficie definida puede soportar, como máximo, una determinada cantidad
de biomasa. A medida que los árboles crecen van ocupando cada vez más espacio, lo que
necesariamente se traduce en una reducción de la densidad.
En la naturaleza, la relación entre la densidad y el tamaño medio de los individuos se
produce de tal manera que parece existir un límite superior de dicha relación que no puede
superarse. Esta relación se puede expresar bajo la siguiente ecuación
Fórmula 35
3
ln N+2 ∙ ln 𝑣 = 𝑘
Donde:
N número de árboles
𝑣̅ : Volumen del árbol medio
K: constante que varía con la especie
8.1.3 Índice de densidad del rodal (Reineke 1933)
Es el calculado a través del número de árboles correspondiente al diámetro de área basal

media. Reineke encontró que cuando se representa en una gráfica el número de árboles
por unidad de área y el diámetro medio de rodales con ocupación completa en escala
logarítmica la relación es lineal. También que la misma pendiente podría, en la mayoría de
los casos, ser usada para definir los límites de máxima ocupación. Esta pendiente negativa
es conocida como la curva de referencia y es expresada (Fórmula 36)
Fórmula 36 Índice de densidad del Rodal
ln N= -1.605∙ ln 𝐷𝑔 +K
Donde
N: número de árboles por hectárea
𝐷𝑔 : Diámetro del árbol de área basal media
K: constante que varía con la especie
Reineke definió una relación de densidad relativa para cualquier rodal (coetáneo y de la
misma especie), expresada como:
Agropecuaria
Fórmula 37
In IDR= -1.605∙ ln 𝐷𝑔 + 𝐾
Dónde:
IDR: índice de Densidad de Rodal
𝐷𝑔 : Diámetro medio cuadrático base
K: muestra la existencia de un intercepto
Para estimar la densidad relativa se despeja K en la anterior expresión, se reemplaza en la
fórmula original y se eliminan los logaritmos quedando:
Fórmula 38
𝐷𝑔 1.605
IDR=(25.4) ∙N
Existen dos aportes fundamentales a través de este concepto:
 El mismo número de árboles con un cierto diámetro medio del rodal

 El hecho de que la edad y la calidad de sitio no tienen efecto sobre la cantidad de
árboles del rodal (Daniel et al.,1982)
8.2 Funciones de mortalidad
Las funciones de mortalidad requieren observaciones secuenciales del número de árboles

por unidad de superficie. Para estimar el número de árboles vivos, lo normal es ajustar
funciones en diferencia, en las que el número de árboles por unidad de superficie a una
edad específica se expresa en función del número de árboles en el periodo anterior, esto
es N2=f (N1E1E2). El número de árboles vivos es una función decreciente de la edad del
rodal y puede ser representada mediante funciones de variada complejidad.
Modelos de transición del número de árboles para las principales especies

forestales en Colombia.
A partir de la información dasométrica capturada a través de parcelas permanentes de

crecimiento y rendimiento que CONIF ha construido con base en proyectos de C+T+i, se
obtuvieron modelos de transición de número de árboles por hectárea para las principales
especies forestales usadas en programa de reforestación comercial en el país,
posteriormente se evaluó su capacidad predictiva n un proceso de validación y se
seleccionó el que presentó las mejores características de bondad de ajuste y predicción.
En la Tabla 6 se presentan los modelos seleccionados y su bondad de ajuste.
Agropecuaria
Tabla 6 Modelos de transición de número de árboles seleccionados para cada especie
Bondad de ajuste
Zona Especie Modelo
R2 Sy.x
𝐸2 2 𝐸1 2 −2
E tereticornis 𝑁2 =(𝑁1−0.5 + 0.299580 ∙ (( ) −( ) ) 0.98 28.69
100 100
𝐸2 2 𝐸1 2 −2
G. arbórea 𝑁2 =(𝑁1−0.5 + 0.260152 ∙ (( ) −( ) ) 0.98 22.01
Costa 100 100
Atlántica 𝐸2 2 𝐸1 2 −2
T. grandis 𝑁2 =(𝑁1−0.5 + 0.0527049 ∙ (( ) −( ) ) 0.99 19.25
100 100
𝐸2 2 𝐸1 2 −2
B quinata 𝑁2 =(𝑁1−0.5 + 0.110935 ∙ (( ) −( ) ) 0.98 18.63
100 100
𝐸2 2 𝐸1 2 −2
G. arbórea 𝑁2 =(𝑁1−0.5 + 0.102734 ∙ (( ) −( ) ) 0.98 19.88
100 100
𝐸2 2 𝐸1 2 −2
T. grandis 𝑁2 =(𝑁1−0.5 + 0.066281 ∙ (( ) −( ) ) 0.98 30.41
100 100
Región 𝐸2 2 𝐸1 2 −2
Andina
P. patula 𝑁2 =(𝑁1−0.5 + 0.064623 ∙ (( ) −( ) ) 0.99 20.26
100 100
𝐸2 2 𝐸1 2 −2
P.oocarpa 𝑁2 =(𝑁1−0.5 + 0.066003 ∙ (( ) −( ) ) 0.99 9.25
100 100
𝐸2 2 𝐸1 2 −2
E. grandis 𝑁2 =(𝑁1−0.5 + 0.343403 ∙ (( ) −( ) ) 0.98 25.88
100 100
Dónde: E1: edad 1; E2: edad 2; H1: altura dominante a E1y H2: altura dominante a E2
Fuente: CONIF
8.3 Funciones de área basal
Uno de los elementos más importantes en un modelo de crecimiento de rodal es la ecuación

que estima el crecimiento de área basal (Dieguez et al., 2005). Esta variable está
directamente relacionada con otras fundamentales como el volumen o el diámetro medio
cuadrático, y es una herramienta básica para planificar las intervenciones silvícolas de los
rodales. Las funciones de crecimiento es área basal deben cumplir con los siguientes
principios (Clutter et al., 1983; Amaro et al., 1997):
 Tener significado biológico, con un punto de inflexión coherente y una asíntota

horizontal razonable para edades avanzadas, que se deben alcanzar antes en los
mejores índices de sitio
 Invarianza, es decir, los valores de área basal predichos en un instante futuro a partir
de unas determinadas condiciones iniciales, deben ser iguales independientemente
del número de pasos utilizados en su predicción
 Sencillez
Entre las múltiples opciones para obtener modelos de proyección de área basal, sobresalen
los modelos de forma de diferencias algebraicas obtenidas a partir de funciones de
crecimiento derivadas de ecuaciones diferenciales, ya que estas cumplen con las tres
condiciones mencionadas anteriormente y permiten tener en cuenta las trayectorias
Agropecuaria
observadas en parcelas medidas al menos en dos ocasiones. En general, una ecuación en

diferencias algebraicas tiene la forma:
Fórmula 39
Y2= f (E2, E1, y1)

Donde y2 es el valor de la variable analizada a una edad E2 y Y1 es el valor de la misma
variable a una edad E1. En esta metodología se asume que las condiciones iniciales (E1,
Y1) contienen suficiente información acerca de la trayectoria de crecimiento del rodal como
para poder realizar estimaciones con bastante exactitud (Dieguez et a., 2005).
8.3.1 Modelos de transición de área basal para las principales especies

forestales de Colombia
Un total de diez modelos de inicialización y proyección de área basal fueron ajustados y

validados a partir de series de crecimiento obtenidas de la medición de parcelas
permanentes instaladas en plantaciones de las principales especies forestales cultivadas
en el país.
El proceso de selección de los modelos involucró la evolución del comportamiento de cada
modelo ajustado al set de datos mediante el empleo de estadísticos de sesgo y error. En la
Tabla 7 se presentan los modelos de inicialización y proyección de área basal seleccionado
para cada especie.
Tabla 7 Modelos de transición de área basal seleccionados para cada especie
Bondad de Ajuste
Zona Especie Modelo
R2 Sy.x
1.493996
ln G=-0.736577- + 1.140286 ∙ 𝑙𝑛 𝐻 0.83 0.22
𝐸
1 1
E tereticornis ln 𝐺2 = ln 𝐺1 -1.493996∙ ( − ) + 1.140286 ∙ (𝑙𝑛 𝐻2 −
𝐸2 𝐸1 0.91 0.13
𝑙𝑛 𝐻1 )
−3.960257−1.897410∙𝐸+0.088099∙𝐸∙𝐼𝑆+0.536461∙𝐸∙ln 𝑁
ln G= 0.76 0.14
𝐸
𝐸1 𝐸1
G. arborea ln 𝐺2 =ln𝐺1 ∙ ( )-1.897410∙ (1 − ) + 0.088099 ∙ (1 −
𝐸2 𝐸2
𝐸1 𝐸1 0.89 0.09
Costa ) ∙ 𝐼𝑆 + 0.536461 ∙ (𝑙𝑛𝑁2 − ∙ 𝑙𝑛𝑁1 )
𝐸2 𝐸2
Atlantica −1.363217
G=0.040882∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.495191 ∙ 𝑁 0.309740 0.86 2.27
𝐸
1 1 𝐻2 1.495191
T. grandis 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−1.363217 ∙ ( − )) ∙ ( )
𝐸2 𝐸1 𝐻1
−0.309740 0.93 0.67
𝑁2
∙( )
𝑁1
−7.255638−3.121372∙𝐸+0.101270∙𝐸∙(𝐼𝑆)+0.759642𝐸∙ln 𝑁
B quinata lnG= 0.80 0.20
𝐸
Agropecuaria
Bondad de Ajuste
Zona Especie Modelo
R2 Sy.x
𝐸 𝐸
ln𝐺2 =ln𝐺1 ∙ ( 1) − 3.121372 ∙ (1 − 1) + 0.101270 ∙
𝐸2 𝐸2
𝐸1 𝐸 0.91 0.12
(1 − ) ∙ 𝐼𝑆 + 0.759642 ∙ (𝑙𝑛𝑁2 − ( 1) ∙ 𝑙𝑛𝑁1 )
𝐸2 𝐸2
−0.598732
G=0.147478∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻 0.250129 ∙ 𝑁 0.207593 0.94 1.82
𝐸
1 1 𝐻2 1.250129
G. arborea 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−0.598732 ∙ ( − )) ∙ ( )
𝐸2 𝐸1 𝐻1
0.95 7.79
𝑁2 0.207593
∙( )
𝑁1
−3.689366
G=0.157637∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.361740 ∙ 𝑁 0.208719 0.93 7.87
𝐸
1.361740
1 1 𝐻2
T. grandis 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−3.689366 ∙ ( − )) ∙ ( )
𝐸2 𝐸1 𝐻1
0.96 1.46
𝑁2 −0.208719
∙( )
𝑁1
−3.498232
G=0.769265∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻 0.553334 ∙ 𝑁 0.344372 0.92 3.79
𝐸
0.553334
1 1 𝐻2
Región 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−3.498232 ∙ ( − )) ∙ ( )
P. patula 𝐸2 𝐸1 𝐻1
Andina 0.98 1.81
𝑁2 0.344372
∙( )
𝑁1
−1.337716
G=0.011869∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻 0.984589 ∙ 𝑁 0.665159 0.90 2.83
𝐸
1 1 𝐻2 0.984589
E. grandis 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−1.337716 ∙ ( − )) ∙ ( )
𝐸2 𝐸1 𝐻1
0.96 1.71
𝑁2 0.665159
∙( )
𝑁1
−4.46147
G=0.004940∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.080370 ∙ 𝑁 0.912273 0.85 3.43
𝐸
1.080370
1 1 𝐻2
P oocarpa 𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−4.46147 ∙ ( − )) ∙ ( )
𝐸2 𝐸1 𝐻1
0.95 1.95
𝑁2 0.912273
∙( )
𝑁1
Dónde: E1: edad 1; E2: edad 2; N1: número de árboles a la edad E1; N2: número de árboles
a la edad E2; H1: altura dominante a la edad E1; H2: altura dominante a la edad E2; G1: área
basal a la edad E1 y G2: área basal a la edad E2.
Fuete: CONIF
8.4 Estructura del rodal
La estructura de rodal se refiere a la distribución de especies y tamaño de los árboles en

un área forestal (Cancino 2006). En plantaciones forestales puras donde se encuentra
establecida solo una especie, normalmente la estructura del rodal es evaluada a partir de
la distribución diamétrica.
Agropecuaria
8.4.1 Distribución diamétrica
La distribución diamétrica indica la frecuencia con que aparece representada una cierta
clase diamétrica en el rodal. Comúnmente los diámetros de cada uno de los árboles
medidos en una parcela permanente o temporal, suelen resumirse agrupándolos por clases
diamétricas, de modo que se asigna a cada una de ellas la frecuencia absoluta y/o relativa
de los árboles medidos que pertenecen a dicha clase.
Agropecuaria
9 Modelos auxiliares
9.1 Relación altura-diámetro (h-d)
Entre las diferentes variables medidas en un árbol, normalmente, existe algún tipo de
relación, a las que se les denomina relaciones alométricas. En general a mayor diámetro,
mayor es la altura del árbol.
9.1.1 Modelos locales de altura-diámetro (h-d)
A partir de una submuestra de las alturas medidas, es posible realizar ajustes locales,
normalmente de tipo alométrico, entre la altura y el diámetro. Estos modelos presentan una
ventaja y es que son fáciles de construir pero, su principal inconveniente es que se adaptan
inadecuadamente a los cambios tanto de sitio como de manejo realizado al rodal (Cansino
2006)
9.1.2 Modelos regionales de altura-diámetro (h-d)
Los modelos regionales de altura-diámetro incluyen en su estructura variables a nivel de

rodal con el propósito de aumentar su capacidad predictiva. La incorporación de estas
variables permite una aplicación más extensiva en comparación a los modelos de tipo local
(Trincado y Leal 2006)
9.1.3 Modelos regionales de h-d para las principales especies forestales en

Colombia
A partir de la información colectada en varios estudios, se ajustaron modelos regionales de

altura-diámetro, los cuales presentan un comportamiento similar en la predicción de alturas
a los obtenidos con modelos locales de altura-diámetro, sin requerirse el ajuste de modelos
para cada rodal inventariado. En el ajuste de modelos regionales además de pares de datos
h-d se emplearon los datos de altura dominante, diámetro medio de los árboles dominantes,
área basal por hectárea, diámetro medio cuadrático y número de árboles por hectárea como
variables predictoras (Tabla 8)
Agropecuaria
Tabla 8 Modelos regionales de altura-diámetro seleccionados para cada especie
Bondad de Ajuste
Zona Especie Modelo
R2 Sy.x
−(2.3340.0590𝐻)
E tereticornis h=H∙ 𝑒𝑥𝑝(8.5629 ∙ (𝑑−(2.3340.0590𝐻) − 𝐷𝑑 ) 0.93 1.11
G. arbórea h=H∙ 𝑒𝑥𝑝(−3.6831 ∙ (𝑑−(21.34020.0234𝐻) − 0.82 1.21
−(21.34020.0234𝐻)
𝐷𝑑 )
T. grandis 1⁄ −3 0.93 1.04
1 1 1 3
h=1.3+(0.6093 ∙ ( − )( ) )
𝑑 𝐷𝑑 (𝐻−1.3
B quinata 1⁄ −3 0.83 1.09

1 1 1 3
h=1.3+(0.7384 ∙ ( − )( ) )
𝑑 𝐷𝑑 (𝐻−1.3
G. arbórea 𝑁 0.1256 0.96 1.10

h=1.3+0.99∙ 𝐻 0.986 ∙ (1 − 𝑒𝑥𝑝 (−0.1045 ∙ ( ) ∙
𝐺
1.858
𝑑))
−(0.8250.0255𝐻)
T. grandis h=H∙ 𝑒𝑥𝑝(−3.7246 ∙ 𝑑−(0.8250.0255𝐻) − 𝐷𝑑 ) 0.86 0.94
−0.209
P. patula h= 1.3+0.2384∙ 𝐻1.0846 ∙ 𝑑0.6074𝐻 0.94 2.22
P.oocarpa 1⁄ −3 0.98 0.97
1 1 1 3
h=1.3+(1.1576 ∙ ( − )( ) )
𝑑 𝐷𝑑 (𝐻−1.3
E. grandis h=1.3+(𝐻 − 1.3) ∙ 𝑒𝑥𝑝 (0.4386 ∙ (1 −

𝐷𝑑
) +0.954 ∙ 0.94 1.30
𝑑
1 1
( − ) )
𝐷𝑑 𝑑
Dónde: h: altura total; H: altura dominante; d: diámetro a la altura del pecho; Dd: diametro
de dominantes; N: número de árboles y G: área basal
Agropecuaria
10 Resumen de modelos dinámicos para especies forestales en Colombia

(SimFor)
Tabla 9 Modelos de crecimiento y rendimiento pata Tectona grandis en la Costa Atlántica
Bondad de Ajuste
Modelo Fuente Expresión
R2 Sy.x
−1.363217
Área basal Palahi et G=0.040882∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.495191 ∙
𝐸 0.86 2.27
inicial al.202 𝑁 0.309740
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−1.363217 ∙ ( − ))
Área basal Palahi et 𝐸2 𝐸1
0.93 1.67
proyección al.202 𝐻2 1.495191 𝑁2 −0.309740
∙( ) ∙( )
𝐻1 𝑁1
23.686086 𝐸1 1.623025
Altura McDill y 𝐻2 = ∙( )
23.686086 0.93 0.87
dominante Amateis 1992 1 − (1 − ) 𝐸2
𝐻1
𝑁2 = 𝑁1−0.5 + 0.0527049
Woollons 2 2 −2
Mortalidad 𝐸 𝐸 0.99 19.25
1998 ∙ (( 2⁄100) − ( 1⁄100) )
Omule y 1⁄ −3
1 1 1 3
Altura total McDonal h=1.3(0.6093 ∙ ( − )+( ) ) 0.93 1.04
𝑑 𝐷𝑑 𝐻−1.3
1991
Volumen total
Schumacher
para árbol ln(v)=-9.8413+1.7434∙ ln(𝑑) + 0.0263 ∙ ln(ℎ) 0.95 0.01
y Hall 1933
individual
Volumen de Parresol et al 𝑑𝑖3.94067

R=exp(−0.9246 ∙ ( )) 0.97 0.06
razón 1987 𝑑 3.64252
𝑑2
= −4.1845 ∙ (𝑧 − 1) + 1.9274 ∙ (𝑧 2 − 1)
𝑑2
Max y − 1.4046 ∙ (0.9994 − 𝑧)2 ∙ 𝐼1
Ahusamiento 0.92 0.15
Burkhart 1976 + 60.9044 ∙ (0.12404 − 𝑧)2
∙ 𝐼2
𝐼𝑖 = 1 𝑠𝑖 (𝛼𝑖 ) ≥ 0.0𝑠𝑖 𝑛𝑜 (𝑖 = 1.2)
Fuente CONIF
Tabla 10 Modelos de crecimiento y rendimiento para Gmelina arborea en la Costa Atlántica
Bondad de Ajuste
R2 Sy.x
Área basal −3.960257−1.897410∙𝐸∙𝐼𝑆+0.536461∙𝐸∙𝑙𝑛𝑁
Souter 1986 lnG= 0.76 0.14
inicial 𝐸
Agropecuaria
Bondad de Ajuste
R2 Sy.x
𝐸 𝐸1
ln𝐺2 = ln𝐺1 ∙ ( 1) − 1.897410 ∙ (1 − )+
𝐸2 𝐸2
Área basal 𝐸1
Souter 1986 0.088099 ∙ (1 − ) ∙ 𝐼𝑆 + 0.536461 (𝑙𝑛𝑁2 − 0.89 0.09
proyección 𝐸2
𝐸1
( ) ∙ 𝑙𝑛𝑁1 )
𝐸2
𝐻2
= 28.88209 (1
Chapman
Altura
1961; Richards 0.92 0.70
dominante 𝐸2 0.745155
1959 1⁄ ⁄𝐸
1
𝐻 0.745155
− (1 − ( ) ) )
28.882209
𝑁2 = 𝑁1−0.5 + 0.260152
Mortalidad Woollons 1998 2 2 −2 0.98 22.01
𝐸 𝐸
∙ (( 2⁄100) − ( 1⁄100) )
Krumland y h=H∙ 𝑒𝑥𝑝(−3.6831 ∙ (𝑑−(1.34020.0234𝐻) −
Altura total −(1.34020.0234𝐻) 0.82 1.21
Wensel 198 𝐷𝑑 )
Volumen total
para árbol Burkhart 1977 v=0.0228+0.000015∙ 𝑑2.1639 ∙ ℎ1.0327 0.98 0.02
individual
R=exp(−0.60757 ∙ ( )) 0.96 0.07
razón 1987 𝑑 3.9503
𝑐
1 − √𝑧
Ahusamiento Kozak 1988 𝑑𝑖 = 1.8205 ∙ 𝑑0.62205 ∙ 1.01703𝑑 ∙ ( ) 0.96 1.49
1 − √0.17
Fuente CONIF
Tabla 11 Modelos de crecimiento y rendimiento para Bombacopsis quinata en la Costa Atlántica
Bondad de
Modelo Fuente Expresión Ajuste
R2 Sy.x
Área basal −7.255638−3.121372∙𝐸+0.101270∙𝐸∙(𝐼𝑆)+0.759642∙𝐸∙𝑙𝑛𝑁
Souter 1986 lnG= 0.80 0.20
inicial 𝐸
𝐸1 𝐸1
Área basal ln𝐺2 = ln𝐺1 ∙ ( ) − 3.121372 ∙ (1 − ) + 0.101270 ∙
𝐸2 𝐸2
Souter 1986 𝐸1 𝐸1 0.91 0.12
proyección (1 − ) ∙ 𝐼𝑆 + 0.759642 (𝑙𝑛𝑁2 − ( ) ∙ 𝑙𝑛𝑁1 )
𝐸2 𝐸2
𝐻2
= 27.059868 (1
Altura García y ruíz
0.86 0.93
dominante 2003 (
1
)
𝐸2 0.850265
0.850265 ⁄𝐸
𝐻1 1
− (1 − ( ) ) )
27.059868
Agropecuaria
Bondad de
R2 Sy.x
2 2 −2
Woollons 𝐸 𝐸
Mortalidad
1998 𝑁2 = 𝑁1−0.5 + 0.102734 ∙ (( 2⁄100) − ( 1⁄100) ) 0.98 18.63
Omule y 1⁄ −3
1 1 1 3
Altura total MacDonal h=1.3(0.7384 ∙ ( − )+( ) ) 0.83 1.09
1991
Volumen total 2
para árbol Honer 1964 v=𝑑 ⁄ 22380.07 0.91 0.01
(1040.66 + )
individual ℎ

R=exp(−1.3809 ∙ ( )) 0.97 0.06
razón 1987 𝑑 3.43469
𝑐
1 − √𝑧
1 − √0.16
Fuente CONIF
Tabla 12 Modelos de crecimiento y rendimiento para Eucalyptus tereticornis en la Costa Atlántica
Bondad de
R2 Sy.x
1.493996
Área basal inicial Forss 1994 lnG=-0736577- + 1.140286 ∙ 𝑙𝑛𝐻 0.83 0.22
𝐸
1 1
Área basal ln𝐺2 = ln𝐺1 − 1.493996 ∙ ( − ) + 1.140286 ∙
Forss 1994 𝐸2 𝐸1 0.91 0.13
proyección (𝑙𝑛𝐻2 −∙ 𝑙𝑛𝐻1 )
𝐻2
= 36.009534 (1
Chapman
Altura dominante 1961; 0.93 1.03
𝐸2 0.754037
Richards 1959 1⁄ ⁄𝐸
1
𝐻1 0.754037
− (1 − ( ) ) )
36.009534
𝑁2 = 𝑁1−0.5 + 0.299580
Woollons 2 2 −2
Mortalidad 𝐸 𝐸 0.98 28.69
1998 ∙ (( 2⁄100) − ( 1⁄100) )
Altura total −(1.34020.0234𝐻) 0.93 1.11
Volumen total para Prodan et
v=0.0228+0.000015∙ 𝑑2.3340.0590𝐻 ∙ ℎ2.3340.0590𝐻 0.98 0.02
árbol individual al.1987
Parresol et al 𝑑𝑖4.86157
Volumen de razón R=exp(−2.7593 ∙ ( )) 0.98 0.05
1987 𝑑 4.89109
𝑑𝑖2
= 0.8229 ∙ 𝑋1.5 − 0.0297 ∙ (𝑋1.5 − 𝑥 3 ) ∙ 𝑑
𝑑2
+ 0.0293 ∙ (𝑋1.5 − 𝑥 3 ) ∙ ℎ
Bruce et al
Ahusamiento + 0.0000771 ∙ (𝑋1.5 − 𝑥 32 ) ∙ ℎ 0.96 0.07
1968
∙ 𝑑 + 0.02685 ∙ (𝑋1.5 − 𝑥 32 )
∙ ℎ0.5 − 0.0003088
∙ (𝑋1.5 − 𝑥 40 ) ∙ ℎ2
Agropecuaria
Fuente CONIF
Tabla 13 Modelos de crecimiento y rendimiento para Gmelina arborea en la Región andina
Bondad de Ajuste
R2 Sy.x
−0.598732
Área basal Palahi et al., G=0.147478∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.250129 ∙
𝐸 0.94 1.82
inicial 2002 𝑁 0.207593
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−0.598732 ∙ ( − ))
Área basal Palahi et al., 𝐸2 𝐸2
0.95 1.79
proyección 2002 𝐻2 1.250129 𝑁2 0.207593
∙( ) ∙( )
𝐻1 𝑁1
0.838637
𝐸1
Altura 𝐻1 ( )
𝐸2
Korf 1939 𝐻2 = 33.206081 ∙ ( ) 0.94 1.19
dominante
33.206081
𝑁2 = 𝑁1−0.5 + 0.102734
𝐸 𝐸
∙ (( 2⁄100) − ( 1⁄100) )
h=1.3+0.99∙ 𝐻 0.986 ∙ (1 − 𝑒𝑥𝑝 (−0.1045 ∙

Sharma y
Altura total 1.858 0.96 1.10
parton 2007 𝑁 0.1256
( ) ∙ 𝑑))
𝐺
Volumen total
para árbol Burkhart 1977 v=0.0228+0.000015∙ 𝑑2.1639 ∙ ℎ1.0327 0.98 0.02
individual
Volumen de Parresol et al 𝑑𝑖43777
R=exp(−0.60757 ∙ ( )) 0.96 0.07
razón 1987 𝑑 3.9505
𝑐
1 − √𝑧
1 − √0.17
Fuente CONIF
Tabla 14 Modelos de crecimiento y rendimiento para Tectona grandis en la Región andina
Bondad de
R2 Sy.x
−3.689366
G=0.157637∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.361740 ∙
Área basal inicial Palahi et al., 2002 𝐸 0.93 1.87
𝑁 0.208715
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−3.689366 ∙ ( − ))
Área basal 𝐸2 𝐸1
Palahi et al., 2002 0.96 1.46
proyección 𝐻2 1.361740 𝑁2 0.208715
∙( ) ∙( )
𝐻1 𝑁1
Agropecuaria
Bondad de
R2 Sy.x
𝐻2
= 31.649653 (1
García y Ruíz
Altura dominante 0.96 0.66
2003 (
1
)
𝐸2 1.317434
1.317434 ⁄𝐸
𝐻1 1
− (1 − ( ) ) )
31.649653
𝑁2 = 𝑁1−0.5 + 0.066281
𝐸 𝐸
∙ (( 2⁄100) − ( 1⁄100) )
Altura total −(0.8250.0255𝐻) 0.86 0.94
Volumen total
Schumacher y
Hall 1933
individual
1987 𝑑 3.64252
𝑑𝑖2
Max y Burkhart = −4.1845 ∙ (𝑧 − 1) + 1.924 ∙ (𝑧 2 − 1)
Ahusamiento 𝑑2 0.92 0.15
1976 − 1.4046 ∙ (0.9994 − 𝑧)2 ∙ 𝐼1
+ 60.9044 ∙ (0.9994 − 𝑧)2 ∙ 𝐼2
Fuente CONIF
Tabla 15 Modelos de crecimiento y rendimiento para Pinus patula en la Región andina
Bondad de
R2 Sy.x
−3.498232
G=0.769265∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻 0.553334 ∙
𝑁 0.344372
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−3.498232 ∙ ( − ))
Palahi et al., 2002 0.98 1.81
proyección 𝐻2 0.5533340 𝑁2 0.344372
∙( ) ∙( )
𝐻1 𝑁1
𝐻2
= 46.999115 (1
Chapman 1961;
Altura dominante 0.96 1.42
Richards 1959 𝐸2 1.578727
1⁄ ⁄𝐸
1
𝐻1 1.578727
− (1 − ( ) ) )
46.999115
𝑁2 = 𝑁1−0.5 + 0.064623
𝐸 𝐸
∙ (( 2⁄100) − ( 1⁄100) )
Agropecuaria
Bondad de
R2 Sy.x
Hui y Gadow −0.209
Altura total
1993 h=1.3+0.2384∙ 𝐻1.0846 ∙ 𝑑 0.6074𝐻 0.94 2.22
Volumen total
Schumacher y
Hall 1933
individual
1987 𝑑 4.7770
𝑐
1 − √𝑧
1 − √0.15
Fuente CONIF
Tabla 16 Modelos de crecimiento y rendimiento para Pinus oocarpa en la Región andina
Bondad de
R2 Sy.x
−4.461447
Área basal inicial Palahi et al., 2002 G=0.004940∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻1.080370 ∙ 𝑁 0.912273 0.90 2.83
𝐸
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−4.461447 ∙ ( − ))
Palahi et al., 2002 0.96 1.71
proyección 𝐻2 1.080370 𝑁2 0.912273
∙( ) ∙( )
𝐻1 𝑁1
𝐻2
= 26.508445
𝐸2 1.578727
Chapman 1961; ⁄𝐸
Altura dominante 1⁄ 1 0.97 1.18
Richards 1959 𝐻1 1.578727
∙ (1 − (1 − ( ) ) )
26.508445
𝑁2 = 𝑁1−0.5 + 0.066003
−2
Mortalidad Woollons 1998 𝐸 2
𝐸 2 0.99 9.25
∙ (( 2⁄100) − ( 1⁄100) )
1⁄ −3
Omule y 1 1 1 3
Altura total
MacDonal 1991 h=1.3(1.1576 ∙ ( − )+( ) ) 0.98 0.97
Volumen total para Schumacher y

ln(v)=-9.3930+1.7903∙ ln(𝑑) + 0.8553 ∙ ln(ℎ) 0.83 0.09
árbol individual Hall 1933
1987 𝑑 5.5719
𝑑𝑖2
Ahusamiento
Max y Burkhart = −1.77809 ∙ (𝑧 − 1) + 0.73761 ∙ (𝑧 2 − 1) 0.89 0.09
1976 𝑑2
− 1.80441 ∙ (0.12113 − 𝑧)2 ∙ 𝐼1
Fuente CONIF
Tabla 17 Modelos de crecimiento y rendimiento para Eucalyptus grandis en la Región andina
Agropecuaria
Bondad de
R2 Sy.x
−1.337716
G=0.011869∙ 𝑒𝑥𝑝 ( ) ∙ 𝐻 0.984589 ∙
𝑁 0.6651593
1 1
𝐺2 = 𝐺1 ∙ 𝑒𝑥𝑝 (−1.337716 ∙ ( − ))
Palahi et al., 2002 0.95 1.95
proyección 𝐻2 0.984589 𝑁2 0.6651593
∙( ) ∙( )
𝐻1 𝑁1
56.418438
McDill y Amateis 𝐻2 =
Altura dominante 56.418438 𝐸 1.147718 0.95 1.66
1992 1 − (1 − ) ∙ ( 1)
𝐻1 𝐸2
𝑁2 = 𝑁1−0.5 + 0.343403
𝐸 𝐸
∙ (( 2⁄100) − ( 1⁄100) )
𝐷𝑑
h=1.3+(H-1.3)∙ 𝑒𝑥𝑝 (0.4386 ∙ (1 − ) + 0.954 ∙
𝑑
Altura total Gaffrey 0.94 1.30
1 1
( − ))
𝐷𝑑 𝑑
Volumen total para Schumacher y

ln(v)=-11.0267+1.8543∙ ln(𝑑) + 1.2996 ∙ ln(ℎ) 0.99 0.03
árbol individual Hall 1933
1987 𝑑 5.1261
𝑑𝑖2
= 0.82414 ∙ 𝑋1.5 − 0.01143 ∙ (𝑋1.5 − 𝑥 3 ) ∙ 𝑑
𝑑2
+ 0.01184 ∙ (𝑋1.5 − 𝑥 3 ) ∙ ℎ
+ 0.0000136 ∙ (𝑋1.5 − 𝑥 32 )
Ahusamiento Bruce et al 1968 0.97 0.06
∙ ℎ ∙ 𝑑 + 0.0048236
∙ (𝑋1.5 − 𝑥 32 ) ∙ ℎ0.5
− 0.00012749 ∙ (𝑋1.5 − 𝑥 40 )
∙ ℎ2
Fuente CONIF
Agropecuaria
11 Estrategia de modelamiento empleada en el sistema de simulación del

crecimiento y rendimiento forestal CREFT
11.1 Generación de valores de temperatura máxima, temperatura mínima y

brillo solar mediante cadenas de Markov.
El procedimiento para generar faltantes de clima mediante la simulación markoviana

comprende dos etapas.
ETAPA 1. Cadena de Markov.
Para todas las variables se trabajó con una cadena de orden 2 y con dos estados (Valor
Bajo y Valor Alto).
El límite para determinar si la variable bajo estudio se expresó como bajo o como alto en
un día cualquiera se estableció como el percentil de toda la serie histórica.
Las probabilidades históricas de transición se calcularon discriminando por mes y por
evento niño, niña y neutro según el reporte del NOAA (Administración Nacional Oceánica y
Atmosférica de EE.UU)
El formato de las probabilidades de transición es:
Tabla 18 Esquema de las probabilidades de transición de una cadena de Markov de orden dos y con dos
estados.
Estados Anteriores Bajo (B) Alto (A)

BajoBajo P(B/BB) P(A/BB)
BajoAlto P(B/BA) P(A/BA)
AltoBajo P(B/AB) P(A/AB)
AltoAlto P(B/AA) P(A/AA)
Fuente: CREFT
Una vez establecidas las probabilidades de transición se genera la cadena a través de la
generación de un número aleatorio U entre 0 y 1.
Según la tabla, si U  P( B) entonces se genera el estado Bajo, de lo contrario el Alto.
ETAPA 2. Valores sintéticos de las variables climáticas.
Una vez determinado el estado (Bajo o Alto) se procede a generar un valor sintético para
cada uno de éstos a partir de los siguientes modelos probabilísticos:
Evento Bajo: Distribución del mínimo.
Agropecuaria
Fórmula 40
1  x   x   
f ( x)  exp   exp  
     
Ilustración 2 Densidad valor extremo más chico.
Valor Extremo Más Chico
0.8 Moda,Escala
3,0.5
0.6
densidad
0.4
0.2
0
0 1 2 3 4
x
Fuente: CREFT
Fórmula 41 Evento Alto: Distribución del máximo.
1  x   x  
f ( x)  exp    exp   
     
Valor Extremo Más Grande
Ilustración 3 Densidad valor extremo más grande.
0.4 Moda,Escala
5,1.2
0.3
densidad
0.2
0.1
0
0 2 4 6 8 10 12
x
Fuente: CREFT
Aplicación del Método en la Estación Naranjal.
La Tabla 19 muestra el análisis de varianza en donde se observa que la temperatura
máxima varía entre meses y entre eventos con una significancia del 5%
Agropecuaria
Tabla 19. Análisis de Varianza para la temperatura máxima de la estación Naranjal
Fuente SC Gl CM F Valor-P
Mes 3808.6 11 346.237 98.07 0.0000
Evento 3242.46 2 1621.23 459.19 0.0000
Mes x Evento 1047.1 22 475.956 13.48 0.0000
Error 65642.1 18592 353.066
Total 74113.4 18627
Fuente CREFT
La Ilustración 4 muestra las diferencias estadísticas entre los promedios de los meses y los
tipos de eventos.
Ilustración 4 Valores medios de la temperatura máxima de la estación Naranjal discriminados por mes por
tipo de evento Interacciones y 95.0% de Fisher LSD
29 Evento
Neutro
28 Niña
Niño
TMAX
27
26
25
1 2 3 4 5 6 7 8 9 10 11 12
FMES
Fuente: CREFT
Este análisis es importante porque permite establecer diferencias significativas entre meses
y eventos asegurando que las distribuciones de probabilidad también difieren (al menos en
los parámetros que dependan de la media).
La Ilustración 5 muestra la densidad de los tres modelos de valor extremo más grande
ajustados a la temperatura máxima eventos altos (mes de febrero). En esta, (línea negra
continua evento niña, línea punteada evento neutro y línea gris continua evento niño) se
observa la diferencia en la magnitud y forma de las distribuciones.
Agropecuaria
Ilustración 5. Densidades valor extremo más grande ajustadas a los tres eventos de febrero para valores
altos de temperatura máxima de la estación naranjal
Valor Extremo Más Grande
0.5 Moda,Escala
27.23,0.91
0.4
27.75,1.11
densidad
0.3 28.45,1.31
0.2
0.1
0
25 27 29 31 33 35
x
Fuente: CREFT
Ilustración 6 Densidades valor extremo más chico ajustadas a los tres eventos de febrero para valores bajos
Valor Extremo Más Chico
de temperatura mínima de la estación naranjal
0.5 Moda,Escala
24.5,0.89
0.4
24.9,0.92
densidad
0.3 25.5,0.94
0.2
0.1
0
20 22 24 26 28
Fuente: CREFT x
La Ilustración 6 muestra la densidad de los tres modelos de valor extremo más grande
ajustados a la temperatura máxima eventos bajos (mes de febrero). En esta, (línea negra
continua evento niña, línea punteada evento neutro y línea gris continua evento niño) se
observa la diferencia en la magnitud y forma de las distribuciones.
De igual forma se analizan la temperatura y el brillo solar.
En la Ilustración 7 se muestra la comparación entre los valores simulados y observados de
temperatura máxima para el año de 1985 el cual fue neutro hasta septiembre y niña en los
meses restantes.
Agropecuaria
Ilustración 7 Valores observados y simulados de temperatura máxima para el año 1985 en la estación
Naranjal
29
Temperatura Máxima Promedio
28
28
27
27
26
26
25
25
24
1 2 3 4 5 6 7 8 9 10 11 12
Mes
T max Obs T max sim
Fuente: CREFT
temperatura mínima para el año de 1990 el cual fue niña.
Ilustración 8 Valores observados y simulados de temperatura mínima para el año 1990 en la estación
Naranjal.
18
Temperatura mínima promedio
18
18
17
17
17
17
17
16
16
16
16
1 2 3 4 5 6 7 8 9 10 11 12
Mes
T min Obs T min Sim
Fuente: CREFT
brillo solar para el año de 1995 el cual fue niño en el primer trimestre, niña hasta agosto y
neutro los meses restantes.
Agropecuaria
Ilustración 9 Valores observados y simulados de brillo solar para el año 1995 en la estación Naranjal
7
6
Brillo Solar promedio
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Brillo Obs Brillo sim
Fuente: CREFT
Actualmente, la base de datos de clima del CREFT tiene una rutina en donde mediante este
sistema se obtienen valores faltantes diarios de estas tres variables.
11.1.1 Una Alternativa al Modelo de Goudrian

Goudrian en 1986 propone una curva para modelar la asimilación de CO2 en función de la
Radiación Fotosintéticamente Activa (RFA). El modelo es de la familia exponencial
creciente a una asíntota de manera convexa, (modelo de crecimiento inhibido).
La ecuación diferencial que da origen a este modelo es:
Fórmula 42
dy
 k   y 
dx
El modelo resultante luego de resolver la ecuación diferencial y considerar como condición
inicial f (0)= y0 es el modelo de crecimiento inhibido:
Fórmula 43
y  y0   1  ebx 
Según esta parametrización (Fórmula 44), y0 corresponde a la Respiración Oscura, α+ y0 a

la asimilación máxima y b a una tasa de asimilación.
Fórmula 44 Rre-parametrización de Goudrian es:
x
  
y   Rd  Am  1  e Rd  Am   Rd , Rd  0 , Rd  Am
 
Agropecuaria
Donde Rd es la respiración oscura, Am la asimilación máxima, ε la eficiencia cuántica, x la

radiación fotosintéticamente activa e y la asimilación de CO2.
A partir de mediciones experimentales es posible estimar los parámetros tanto del modelo
inhibido como los de la reparametrización de Goudrian con una regresión no lineal vía
Levenberg-Marquardt. En caso de estimarse los parámetros del modelo inhibido será
necesario igualar ambos modelos para obtener los parámetros de Goudrian, los cuales son
interpretables para el fenómeno que se quiere describir.
De interés además son el punto de compensación de radiación y la radiación de saturación,
las cuales se obtienen a partir del modelo de Goudrian. Para la primera, se obtiene el valor
de x cuándo y=0 para la segunda, se obtiene el valor de x cuando y= (1-π) Am en donde
(1-π) es la fracción que falta para alcanzar la asimilación máxima. Es necesario trabajar con
esta fracción (la cual es arbitraria) ya que por su carácter asintótico el modelo nunca
alcanzará el valor Am.
Ilustración 10 Modelo de crecimiento inhibido.
6
Asimilación
-2
0 500 1000 1500 2000 2500
RFA
Fuente: CREFT
Esta tendencia de los datos experimentales puede modelarse con una función discontinua,
la cual es lineal hasta alcanzar la asimilación máxima (en la radiación de saturación) y
constante para valores de radiación superiores a la saturación.
Fórmula 45 Forma del Modelo Lineal Plateau
 Rd   RFA , RFA   sat

Ah  
 Rd   sat , RFA   sat
Donde:
Ah: Asimilación
Agropecuaria
Rd: Respiración Oscura

Ɛ: Rendimiento cuántico
ɼsat: Radiación de Saturación
Ilustración 11 Modelo Plateau-Lineal
Fuente: CREFT
Las ventajas de este modelo con respecto al modelo de crecimiento inhibido son:
1. Fácil asignación de valores iniciales en el proceso iterativo de Levenberg-
Marquardt.
2. La radiación de saturación es estimada directamente por ser un parámetro del
modelo. (Por lo tanto no se necesita el uso de una fracción arbitraria para su
interpolación)
3. Ni la radiación oscura ni la eficiencia cuántica son sobreestimadas.
4. La radiación de compensación se obtiene como el cociente entre la radiación
oscura y la eficiencia cuántica evitando el uso de logaritmos neperianos, los
cuales dependen en magnitud de las cifras decimales utilizados. (Error numérico
más error experimental).
Se muestran a continuación los ajustes obtenidos con SIGMAPLOT 10 y su comparación
con el modelo de Goudrian.
Ajuste al modelo lineal-plateau:
Agropecuaria
Ilustración 12 Respuesta fotosintética a la radiación ajustada al modelo Lineal-Plateau
T. rosae P. tecunumanii
6 6
5 5
4 4
3 3
Asimilación
Asimilación
2 2
1 1
0 0
-1 -1
-2 -2
0 1000 2000 3000 0 500 1000 1500
RFA RFA
P. quinata P. patula
4 6
3
4
2
Asimilación
Asimilación
0
0
-2
-1
-2 -4
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
RFA RFA
P. caribaea G. arborea
5 8
4
6
3
Asimilación
Asimilación
4
2
1
2
0
-1
-2 -2
0 200 400 600 800 1000 1200 1400 0 500 1000 1500 2000 2500
RFA RFA
E. grandis E. pellita
8 8
6 6
Asimilacion
Asimilación
4 4
2 2
0 0
-2 -2
0 500 1000 1500 2000 2500 0 1000 2000 3000
RFA RFA
Agropecuaria
Ilustración 12 Respuesta fotosintética a la radiación ajustada al modelo Lineal-Plateau
A. acuminata C. alliodora
6 4
3
4
2
Asimilación
Asimilación
2
0
0
-2
-1
-4 -2
0 200 400 600 800 1000 1200 1400 1600 0 500 1000 1500 2000
RFA RFA
Estadísticos de ajuste.
Tabla 20 Estadísticos de ajuste para los modelos de radiación.
Especie Estadístico Goudrian Lineal-Plateau

Alnus acuminata R2 Error Std 0.61/0.97 0.62/0.96
Cordia alliodora R2 Error Std 0.77/0.44 0.79/0.42
Eucalyptus grandis R2 Error Std 0.83/1.15 0.84/1.12
Eucalyptus pellita R2 Error Std 0.64/0.97 0.63/0.98
Gmelina arborea R2 Error Std 0.93/0.55 0.94/0.53
Pinus caribaea R2 Error Std 0.66/0.81 0.80/0.64
Pinus patula R2 Error Std 0.66/0.66 0.80/0.65
Pinus tecunumanii R2 Error Std 0.91/0.52 0.88/0.60
Pochota quinata R2 Error Std 0.96/0.29 0.95/0.30
Tabebuia rosea R2 Error Std 0.89/0.55 0.91/0.50
Fuente: CREFT
La comparación de estadísticos de ajuste entre ambos modelos permite concluir que el
modelo Lineal-Plateau es igual o mejor que el modelo de Goudrian al momento de explicar
la variabilidad de la fotosíntesis en función de la radiación. Es de anotar que valores del
coeficiente de determinación por debajo de 0.7 no significan falta de ajuste a la tendencia
asintótica de la fotosíntesis, estos valores se dan por la variabilidad intra-réplicas la cual es
normal en la medición de este fenómeno (ver ¡Error! No se encuentra el origen de la
referencia.). En este caso, el modelo cumple su función de describir la fotosíntesis media,
dado un valor de radiación fotosintéticamente activa.
Rendimiento cuántico.
El valor ε del modelo de Goudrian equivale a la tasa de asimilación cuando la radiación
fotosintéticamente activa tiende a cero, y se calcula como la tangente del ángulo que se
forma en la fase inicial de respuesta de la fotosíntesis a la presencia de la radiación. En el
modelo lineal-plateau, este parámetro es la pendiente de la fase lineal, ofreciendo una tasa
promedio de asimilación durante el período creciente. Cuando no se utiliza la re-
Agropecuaria
parametrización de Goudrian, o cuando se utiliza el modelo de crecimiento inhibido, no es

posible estimar el error estándar de la estimación de este parámetro.
Cuando se utiliza un modelo diferente al inhibido o a la reparametrización de Goudrian, el
rendimiento cuántico se obtiene evaluando la derivada de la función cuando la asimilación
es cero, es decir, en el punto de compensación.
Por la convexidad del modelo de Goudrian, este procedimiento producirá una sobre –
estimación de la tasa de asimilación.
Tabla 21 Comparación de la eficiencia cuántica μgCO2m-2s-1 x (μmolFotonesm-2s-1)-1 obtenida por ambos modelos.
Especie Goudrian Lineal-Plateau

Alnus acuminata 0.55 0.418
Cordia alliodora 0.7436 0.2508
Eucalyptus grandis 4.3604 2.3716
Eucalyptus pellita 1.144 0.7348
Gmelina arborea 0.3168* 0.286
Pinus caribaea 0.3256** 2.1912
Pinus patula 0.3784* 0.3608
Pinus tecunumanii 0.452* 0.5456
Pochota quinata 0.9328 0.6732
Tabebuia rosea 0.1628 0.1276
Fuente: CREFT
* Tasa de cambio estimada con la primera derivada.
** El modelo de Goudrian claramente difiere de la tendencia de los datos, no así el Plateau-
Lineal. (CREFT)
Estos resultados muestran que el modelo de Goudrian sobre – estima la eficiencia cuántica
de las especies bajo análisis.
Las tasas de cambio calculadas con la primera derivada evaluada en el punto de
compensación se acercan más a la estimación del modelo Plateau – Lineal ya que en ese
punto la tasa de cambio del modelo de Goudrian (o cualquier alternativa no lineal convexa)
es menor debido a la convexidad del modelo de crecimiento inhibido.
11.2 Simulación de Series de Precipitación Diaria con Cadenas de Markov

El análisis se hizo con una serie diaria de precipitación que comprendió 19 años (1985-
2003)
11.2.1 Caracterización por tipo de año climático

El primer paso es definir del período de estudio tres tipos de eventos: año lluvioso, año
normal y año seco. Al existir diversos criterios de selección se utilizó un criterio estadístico
contemplando el total anual medio con un intervalo de confiabilidad al 95%; si la
precipitación total se encuentra dentro del intervalo se considera año normal, si se
Agropecuaria
encuentra por debajo del límite inferior se considera año seco y si se encuentra por encima
del límite superior se considera año lluvioso.
Mostrando los límites de confiabilidad al 95% para el promedio de los 19 años. (Años dentro
del intervalo se consideran normales)
Ilustración 13 Precipitación acumulada anual en el período de estudio
3500
3300
3100
2900
Precipitación (mm)
2700
2500
2300
2100
1900
1700
1500
1985198619871988198919901991199219931994199519961997199819992000200120022003
Año
PPT TOTAL LI 95% LS 95%
Fuente: CREFT
El proceso de simulación comprende dos fases; en la primera, se modela la secuencia de
eventos diarios secos y húmedos mediante una cadena de Markov de orden 2. En la
segunda, se generan valores de precipitación para los eventos húmedos a partir de
números aleatorios provenientes de la distribución de probabilidad a la que mejor se ajusten
los datos históricos. En ambas fases, el análisis se hace por tipo de año y por mes. La
precipitación umbral para determinar si un día es seco o húmedo se define según criterios
climáticos, fisiológicos, etc. En este caso se asumió un umbral de 1mm.
11.2.2 Análisis de la secuencia de días húmedos – secos
El procedimiento comprende la estimación bayesiana de probabilidades condicionales

según se ilustra en la siguiente tabla:
Tabla 22 Matriz de probabilidades correspondiente a una cadena de Markov de Orden 2
Evento día siguiente

Evento 2 días consecutivos Húmedo Seco
Húmedo-Húmedo 0.73 0.27
Húmedo-Seco 0.48 0.52
Seco-Húmedo 0.63 0.37
Seco-Seco 0.29 0.71
Agropecuaria
Según estos datos, se estima que cuando se presentan dos días consecutivos húmedos
(precipitación mayor que 1 mm), existe una probabilidad del 73% que el tercer día también
sea húmedo. Así mismo, después de dos días consecutivos secos existe una probabilidad
del 79% que el siguiente también lo sea. Como este comportamiento depende del mes y
del tipo del año, en el cómputo de estas probabilidades se debe tener en cuenta estos dos
factores. La estimación de estas probabilidades se hizo con la aplicación Markov 1.1
construida por el ingeniero Daniel Orozco quien hace parte del equipo de trabajo en el
proyecto de validación del CREFT.
Ilustración 14 Inter-fase gráfica de la aplicación Markov 1.1
Tabla 23 Estimaciones Bayesianas para las probabilidades condicionales de la cadena de Markov de orden 2
ajustada a los años secos.
Enero Julio
Húmedo Seco Húmedo Seco
Húmedo- Húmedo-Húmedo
0.63 0.37 0.57 0.43
Húmedo
Húmedo-Seco 0.35 0.65 Húmedo-Seco 0.41 0.59
Seco-Húmedo 0.69 0.31 Seco-Húmedo 0.46 0.54
Seco-Seco 0.33 0.67 Seco-Seco 0.24 0.76
Febrero Agosto
0.61 0.39 0.44 0.56
Húmedo
Marzo Septiembre
0.63 0.37 0.69 0.31
Húmedo
Agropecuaria
Abril Octubre
0.63 0.37 0.82 0.18
Húmedo
Mayo Noviembre
0.66 0.34 0.77 0.23
Húmedo
Junio Diciembre
0.50 0.50 0.76 0.24
Húmedo
ajustada a los años normales.
Enero Julio
0.69 0.31 0.55 0.45
Húmedo
Febrero Agosto
0.74 0.26 0.57 0.43
Húmedo
Marzo Septiembre
0.79 0.21 0.58 0.42
Húmedo
Abril Octubre
0.76 0.24 0.78 0.22
Húmedo
Agropecuaria

Mayo Noviembre
0.72 0.28 0.78 0.22
Húmedo
Junio Diciembre
0.51 0.49 0.71 0.29
Húmedo
ajustada a los años húmedos.
Enero Julio
0.67 0.33 0.68 0.32
Húmedo
Febrero Agosto
0.84 0.16 0.53 0.47
Húmedo
Marzo Septiembre
0.76 0.24 0.57 0.43
Húmedo
Abril Octubre
0.77 0.23 0.83 0.17
Húmedo
Mayo Noviembre
0.78 0.22 0.83 0.17
Húmedo
Agropecuaria

Junio Diciembre
0.63 0.37 0.76 0.24
Húmedo
El análisis de la Tabla 23, Tabla 24 y Tabla 25 permite detectar diferencias en las

secuencias de eventos secos y húmedos según el mes y el tipo de año.
En términos generales, la probabilidad que se dé un día seco después de dos eventos
aumenta en años secos y disminuye en años lluviosos. En meses húmedos, la probabilidad
de tener un día húmedo luego de dos eventos combinados (seco-húmedo ó húmedo seco)
se incrementa en años lluviosos. Para información detallada referirse a la Tabla 23, Tabla
24 y Tabla 25.
Análisis probabilístico de la precipitación por tipo de año y por mes
En esta fase, se ajusta una distribución de probabilidad a la precipitación de los días
húmedos (precipitación mayor que 1mm) por tipo de año y por mes.
Los parámetros obtenidos se utilizan después para generar números aleatorios que
corresponden a los valores de precipitación simulados para eventos húmedos.
Tabla 26 Estimaciones de los parámetros de la distribución Birnbaum-Saunders por tipo de año y por mes.
Año Seco Año Normal Año Lluvioso

Mes Forma Escala Forma Escala Forma Escala
β ɵ β ɵ β ɵ
Enero 0.750925 8.02349 1.27023 8.12678 1.29357 8.56971
Febrero 1.11778 9.15343 1.05664 7.68977 1.08602 8.21391
Marzo 1.00892 9.06387 1.18774 7.56985 1.0987 11.3554
Abril 1.11988 6.52977 1.12231 8.59808 1.04788 7.9892
Mayo 1.02957 6.84325 1.0738 7.81141 1.10675 9.67707
Junio 0.95435 5.14583 0.959098 6.17277 0.969543 6.88436
Julio 0.956315 5.61836 0.996661 5.9666 0.996327 5.09981
Agosto 1.23691 6.34603 0.890437 4.42113 1.16405 7.09548
Septiembre 1.10761 6.07175 1.12971 7.27243 1.1718 6.83691
Octubre 1.13025 8.83261 1.19628 10.3118 1.29316 8.54948
Noviembre 1.0874 8.1973 1.11919 8.76152 1.0639 10.6287
Diciembre 1.16984 7.4674 1.14862 7.35356 1.14241 7.66459
La función de densidad de esta distribución es:

Fórmula 46
Agropecuaria
x 

f  x   x   1  x    con   z  como pdf N  0,1
  
2 x    x  
El rango de x es el intervalo (0-∞) y sus dos primeros momentos son:

Fórmula 47
 2 
   1  
 2 
 5 2 
    1 
2 2

 4 
Tabla 27 Prueba de Kolmogorov-Smirnov para los datos de precipitación diaria por tipo de año y por mes.
Año Seco Año Normal Año Lluvioso

Mes Estado P-Val Estado P-Val Estado P-Val
Enero 0.0972831 0.487037 0.0614969 0.596808 0.120124 0.387413
Febrero 0.0801837 0.84986 0.0860394 0.207724 0.0830247 0.728381
Marzo 0.0537553 0.95721 0.0613827 0.445495 0.057524 0.971046
Abril 0.121354 0.158881 0.068689 0.268315 0.0623149 0.879915
Mayo 0.0687223 0.788975 0.0458973 0.795933 0.0575197 0.953927
Junio 0.0773924 0.877995 0.048443 0.895286 0.059021 0.965634
Julio 0.125477 0.312609 0.0524452 0.954384 0.142494 0.285173
Agosto 0.099676 0.79822 0.135706 0.108987 0.0819337 0.8689
Septiembre 0.0752186 0.708582 0.0697388 0.491628 0.0712648 0.869217
Octubre 0.0452238 0.979032 0.0619275 0.416965 0.0896272 0.416072
Noviembre 0.079323 0.555195 0.0601585 0.41463 0.089222 0.450298
Diciembre 0.0703103 0.771123 0.0819884 0.211943 0.0710487 0.802199
Tanto en las estimaciones de los parámetros de la densidad Birnbaum-Saunders como en
la tendencia probabilística se observa un comportamiento diferente entre meses y entre
tipos de año
Agropecuaria
Ilustración 15 Tendencia probabilística de los meses del primer semestre para un año seco
Enero Febrero
40 80
30 60
frecuencia
frecuencia
20 40
10 20
0 0
0 10 20 30 40 0 20 40 60 80 100 120
Precipitación diaria (mm) Precipitación diaria (mm)
Birnbaum-Saunders Birnbaum-Saunders
Marzo Abril
80 80
60 60
frecuencia
frecuencia
40 40
20 20
0 0
0 20 40 60 80 0 10 20 30 40 50 60
Mayo Junio
100 50
80 40
frecuencia
frecuencia
60 30
40 20
20 10
0 0
0 20 40 60 80 0 10 20 30 40
Agropecuaria
Ilustración 16. Tendencia probabilística de los meses del segundo semestre para un año seco
Julio Agosto
80 50
40
60
frecuencia
frecuencia
30
40
20
20
10
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Septiembre Octubre
80 100
80
60
frecuencia
frecuencia
60
40
40
20
20
0 0
0 10 20 30 40 50 60 0 20 40 60 80
Noviembre Diciembre
120 100
100
80
80
frecuencia
frecuencia
60
60
40
40
20
20
0 0
0 20 40 60 80 100 0 20 40 60 80
Agropecuaria
Ilustración 17 Tendencia probabilística de los meses del primer semestre para un año normal
Enero Febrero
400 150
120
300
frecuencia
frecuencia
90
200
60
100
30
0 0
0 40 80 120 160 200 240 0 20 40 60 80
PPT Precipitación diaria (mm)
.
Marzo Abril
300 250
250 200
200
frecuencia
frecuencia
150
150
100
100
50 50
0 0
0 20 40 60 80 100 120 0 20 40 60 80 100 120
. .
Mayo Junio
180 100
150 80
120
frecuencia
frecuencia
60
90
40
60
30 20
0 0
0 20 40 60 80 0 10 20 30 40 50
. .
Agropecuaria
Ilustración 18 Tendencia probabilística de los meses del segundo semestre para un año normal
Julio Agosto
100 80
80
60
frecuencia
frecuencia
60
40
40
20
20
0 0
0 10 20 30 40 50 60 0 10 20 30 40
. .
Septiembre Octubre
150 240
120 200
160
frecuencia
frecuencia
90
120
60
80
30 40
0 0
0 20 40 60 80 0 20 40 60 80 100 120
. .
Noviembre Diciembre
250 150
200 120
frecuencia
frecuencia
150 90
100 60
50 30
0 0
0 20 40 60 80 100 120 0 20 40 60 80
. .
Agropecuaria
Ilustración 19 Tendencia probabilística de los meses del primer semestre para un año lluvioso
Enero Febrero
80 50
40
60
frecuencia
frecuencia
30
40
20
20
10
0 0
0 20 40 60 80 100 0 10 20 30 40 50 60
. .
Marzo Abril
60 80
50
60
40
frecuencia
frecuencia
30 40
20
20
10
0 0
0 20 40 60 80 100 0 20 40 60 80
. .
Mayo Junio
80 80
60 60
frecuencia
frecuencia
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80
. .
Agropecuaria
Ilustración 20 Tendencia probabilística de los meses del segundo semestre para un año lluvioso
Julio Agosto
60 50
50
40
40
frecuencia
frecuencia
30
30
20
20
10
10
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
. .
Septiembre Octubre
80 100
80
60
frecuencia
frecuencia
60
40
40
20
20
0 0
0 20 40 60 80 0 20 40 60 80
. .
Noviembre Diciembre
80 80
60 60
frecuencia
frecuencia
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80
. .
Birnbaum-Saunders
Birnbaum-Saunders
Agropecuaria
11.2 Simulación de precipitación diaria
Una vez obtenidas las estimaciones de las probabilidades bayesianas para la cadena de
segundo orden y los parámetros de la ley probabilística que sigue la precipitación diaria, se
utiliza la teoría de números aleatorios para simular una serie de cualquier longitud.
En primer lugar se simula la cadena seco - húmedo y en segundo lugar se simulan los
valores de precipitación para los eventos húmedos.
Este procedimiento se hizo programando una hoja de Excel y utilizando la función aleatoria
como base de toda la generación de las variables aleatorias.
El algoritmo para generar un valor T de la distribución Birnbaum-Saunders de parámetros
β y θ es:
Fórmula 48
  2Z 2  2Z 2 
T   1    Z 1 
 2 4 
 
Donde Z es una variable normal estándar.
La generación de la variable normal estándar se hizo con el método polar.
Ilustración 21 Formato de la hoja de Excel en la que se hacen las simulaciones.
Agropecuaria
Se simularon 12 años de precipitación diaria (4 por cada tipo de año) los cuales se pueden
observar en las siguientes figuras.
Ilustración 22 Series de precipitación diaria simuladas para años secos.
AÑO SECO 1
140
120
Precipitación diaria (mm)
100
80
60
40
20
0
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
DIAS
AÑO SECO 2
90
80
70
60
50
40
30
20
10
0
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
DIAS
AÑO SECO 3
90
80
70
60
50
40
30
20
10
0
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
DIAS
Precipitación diaria (mm) Precipitación diaria (mm) Precipitación diaria (mm) Precipitación diaria (mm)
10.0
20.0
30.0
40.0
50.0
60.0
70.0
80.0
90.0
0.0
0
100
120
20
40
60
80
20.0
40.0
60.0
80.0
0.0
100.0
120.0
140.0
20.0
40.0
60.0
80.0
0.0
100.0
120.0
1 1 1
1
8 8 8
8
15 15 15
15
22 22 22
22
29 29 29
29
CODIGO: OA–PLP-ESP-04
36 36 36
36
43 43 43
43
50 50 50
50
57 57 57
PROYECTO: Oferta Agropecuaria
57
64 64 64
64
71 71 71
71
78 78 78
78
ELABORÓ: Lider Otras Investigaciones
85 85 85
85
92 92 92
92
99 99 99
99
VERSIÓN: 02
106 106 106

106
113 113 113
113
120 120 120
120
127 127 127
127
134 134 134
134
141 141 141
141
148 148 148
148
155 155 155
155
162 162 162
162
169 169 169
169
176 176 176
176
183 183 183
DIAS
AÑO SECO 4
183
DIAS
DIAS
AÑO NORMAL 2
DIAS
AÑO NORMAL 3
190
AÑO NORMAL 1
190 190 190
197 197 197
197
204 204 204
204
211 211 211
211
218 218 218
218
225 225 225
225
Ilustración 22 Series de precipitación diaria simuladas para años secos.
232 232 232

232
239 239 239
239
Ilustración 23 Series de precipitación diaria simuladas para años normales.
246 246 246

246
FECHA: 20/05/2014
253 253 253

253
260 260 260
260
267 267 267
267
274 274 274
274
281 281 281
281
288 288 288
288
295 295 295
295
REVISÓ: Lider Otras Investigaciones APROBÓ:
302 302 302

302
309 309 309
Agropecuaria
309
316 316 316

316
323 323 323
323
COMPONENTE: Otras investigaciones
330 330 330

330
337 337 337
337
PÁGINA: 77
344 344 344

344
351 351 351
Gerente
351
358 358 358
358
365 365 365
365
de
Oferta
Agropecuaria
Ilustración 23 Series de precipitación diaria simuladas para años normales.
AÑO NORMAL 4
140.0
120.0
100.0
80.0
60.0
40.0
20.0
0.0
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
DIAS
Ilustración 24 Series de precipitación diaria simuladas para años lluviosos
AÑO LLUVIOSO 4
100.0
90.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
DIAS
AÑO LLUVIOSO 1
140.0
120.0
100.0
80.0
60.0
40.0
20.0
0.0
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
DIAS
Agropecuaria
Ilustración 24 Series de precipitación diaria simuladas para años lluviosos
AÑO LLUVIOSO 2
100.0
90.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
DIAS
AÑO LLUVIOSO 3
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
DIAS
Observando las series simuladas se perciben las diferencias en las secuencias de períodos
secos y húmedos para cada tipo de año. La frecuencia y duración de períodos secos
disminuye al pasar de año secos a años lluviosos.
En cuanto a la magnitud de la precipitación diaria se observa un incremento en las
simulaciones para años normales y años lluviosos. Esta magnitud no aumenta en valores
diarios sino en la sumatoria de los días húmedos que son más frecuentes en años lluviosos.
De vital importancia para la calidad de las simulaciones es el análisis de los totales anuales
y de la bimodalidad de la precipitación propia de la zona en donde se encuentra ubicada la
estación El Cedral.
En la Tabla 28 se observa que las cuatro simulaciones para años secos se encuentran por
debajo del límite inferior al promedio de los 19 años. Así mismo, para los años lluviosos, los
totales se encuentran por encima del límite superior. En cuanto a los años normales, una
de las simulaciones estuvo 20mm por debajo del límite inferior y otro 22 mm por encima del
límite superior.
Esto sugiere que la simulación se ha ajustado aceptablemente a los totales históricos de la
zona.
Agropecuaria
Tabla 28 Totales anuales por tipo de año de las simulaciones diarias de precipitación.
Precipitación anual (mm)

Simulación
Total año Seco Total año Normal Total año Lluvioso
1 2211.4013 2666.2 3341.5
2 1930.456939 2593.6 3272.9
3 1905.507279 27.66.6 3207.3
4 1927.0011294 23.98.9 2833.6
En la ¡Error! No se encuentra el origen de la referencia. se observa la bimodalidad

obtenida en las cuatro simulaciones para los tres tipos de año.
Ilustración 25 Simulaciones en los tres tipos de año
SIMULACION 1 SIMULACION 2
500 600
450
500
400
Precipitación acumulada (mm)
350
400
300
250 300
200
200
150
100
100
50
0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
MES MES
Año Seco Año Normal Año Lluvioso Año Seco Año Normal Año Lluvioso
SIMULACION 3 SIMULACION 4
600 600
500 500
400 400
300 300
200 200
100 100
0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
MES MES
Año Seco Año Normal Año Lluvioso Año Seco Año Normal Año Lluvioso
Para la estimación del coeficiente de extinción de luz (k) se presume que la radiación
decrece exponencialmente con la profundidad del dosel según la ley de Beer y Lambert
adaptada por Monteith en 1965 y está dada por la ecuación tales.
Fórmula 49
I  I 0e k IAF
En donde:
I = energía luminosa transmitida hasta una profundidad del dosel determinada.
Agropecuaria
Io = energía luminosa en el tope del dosel.

k = coefi ciente de extinción de la radiación a través de la capa de hojas, en una profundidad
determinada.
IAF = Índice de Área Foliar acumulado hasta la profundidad del dosel determinada.
Con los datos de campo se ajustó un modelo exponencial de un parámetro mediante una
regresión no lineal entre el cociente entre I e Io y el índice de área foliar acumulada para
cada profundidad del dosel como lo muestra la ecuación tales
Fórmula 50
I
 e k IAF
I0
El valor de K representa el coeficiente de extinción.
Tabla 29 Tabla Resumen
Especie k p-valor R cuad
Pinus tecunumanii 0,6864 0,0026 0,78
Pinus caribea 0,1846 <0.0001 0,95
Pinus patula 0,2396 <0.0001 0,98
Tectona grandis 0,6417 <0.0001 0,91
Acacia mangium 0,2881 <0.0001 0,98
Gmelina arborea 0,6861 <0.0001 0,94
Eucalyptus pellita 0,4482 <0.0001 0,95
Eucalyptus grandis 0,8361 <0.0001 0,9
Cordia alliodora 0,6362 <0.0001 0,85
Alnus acuminata 0,6031 <0.0001 0,97
Pachira quinata 0,8413 <0.0001 0,8

Agropecuaria
GLOSARIO
Ahusamiento: Objeto cónico con una disminución gradual en el diámetro desde un extremo
al otro. En un diagrama de taller, un ahusamiento forma un triángulo rectángulo.
Dasometria: es la parte de la dasonomía (estudio de la conservación, cultivo y
aprovechamiento de los montes/bosques) que se ocupa de cuantificar el crecimiento y la
producción forestal. El volumen de madera se determina mediante inventarios forestales.
Comparando los datos de inventarios sucesivos, se puede determinar la tasa de crecimiento
de la madera en el bosque. Los datos obtenidos en los inventarios sirven para determinar
la cantidad de árboles por talar y su rentabilidad.
Par poder calcular el volumen de la madera y masas forestales, se debe medir la altura y el
diámetro de los árboles. Mediante esas medidas, se puede determinar el área basal y el
volumen. La edad de los árboles y su crecimiento son otros factores que se determinan a
través de mediciones. Las mediciones se pueden efectuar en árboles talados o en árboles
en pie.
Los campos que integran la Dasometría son la dendrometría estudio del crecimiento del
árbol individual y la epidometría, estudio del crecimiento de la masa forestal.
Donde:
DAP: Diámetro a la Altura del Pecho
L: Lorgitud
H: Altura
Fuente: Prodan, Michail (1997). Mensura forestal. Agroamérica
Errores topológicos: Corresponde a las inconsistencias de tipo geométrico que se pueden

presentar en una cobertura con una geometría dada, como es el caso de una cobertura de
tipo punto, línea o polígono; para el caso de una cobertura de polígono pueden ser:
Geometría: Corresponde a las características propias de un elemento geométrico en
particular como es el caso de las coordenadas de los vértices de polígonos o polilíneas, la
Agropecuaria
longitud o el área de un polígono; estas características pueden variar de las condiciones

del elemento y pueden ser de tipo punto, línea y polígono.
Georreferenciación: La georreferenciación es un proceso mediante el cual, con el uso
herramientas cartográficas, se logra ubicar en un mapa o plano un elemento del espacio
real, asignándole unos atributos de referencia absoluta (coordenadas geográficas, planas,
cartesianas) o relativa (nombre de vereda, identificación predial, identificador municipal).
GPS: (Global Positioning System (GPS) o Sistema de Posicionamiento Global. Aunque se
le suele conocer más con las siglas GPS su nombre más correcto es NAVSTAR GPS) es
un Sistema Global de Navegación por Satélite (GNSS), el cual permite determinar en todo
el mundo la posición de una persona, un vehículo o una nave, con una precisión de hasta
centímetros. El GPS funciona mediante una red de satélites que se encuentran orbitando
alrededor de la tierra.
Variedad: Corresponde al tipo de plantación que se puede plantar dependiendo de las
condiciones geográficas de y de suelo, que pueden ser introducidas y/o nativas.
Agropecuaria
BIBLIOGRAFÍA
Amaro A 1997 Modelo de crecimiento en área basal para Eucalyptus, Cogreso forestal
Español, Pamplona.
Avery & Burkhart, Forest Measurements Hardcover.2002
Cancino Jorge “Dendrometría básica” –– Facultad de Ciencias Forestales – Dpto. Manejo
de bosques y medio ambiente – Universidad de Concepción – 2006.
Daniel, T.C., Orland, B., A. Lynch, J. Hetherington, and J. La Fontaine. 1992. Integration of
GIS and video imaging technology for data-driven visual simulations. Pp. 208-21 8 in:
Protecting Natural Resources with Remote Sensing. Edited by J.D. Greer. The Third Forest
Service Remote Sensing Applications Conference, 9-1 3 April 1990, Tucson, Arizona. Amer.
Soc. Photogram. Remote Sensing, Bethesda, Maryland.
Goudrian, J., Monteith, J.L. 1990. A mathematical function for crop growth based on and
leaf area expansion. Annals of Botany, 66: 695-701.
Gomez, L.F.; Montoya, E.C.; Lopez, F.Y.; Riaño, N.M. Validación de un modelo matemático
de la fotosíntesis del cafeto Coffea arabica L. In revisión.
IDEAM. 2005. Información climática. Bogotá, Colombia
Hernández, J., Corvalán, P., Emery, X., Peña, K. & Donoso, S. 2012. Geostatistical
Estimation of Biomass Stock in Chilean Native Forests and Plantations. Capítulo de Libro
en: Remote Sensing of Biomass: Principles and Applications / Book 1", ISBN 979-953-307-
667-5. Editorial InTech, Croacia.
Lopez, J.C.; Riaño, N.M.; Lopez, Y. 2001. Características fotosintéticas de cinco especies
forestales. Cenicafé in press.
Prodan, M., Peters, R., Cox, F., Real, P. 1997. “Mensura forestal”. Ed. IICA, 586 p.
Riaño, N.M.; Ospina, C.M.; Gomez, L.F.; Urrego, C.; Osorio, O.; Obando, D.; Tangarife, G.
Determinación del potencial de captura de carbono en ocho especies forestales nativas e
introducidas. Informe de avance, proyecto cofinanciado por MADR y CorMagdalena.
Noviembre de 2003. 83 p
Salas, G.R., Fidalgo, B., Gaspar, J. y Morais P. (2005). Relatório ﬁnal do projecto FORSEE.
Gestion durable des forêts: un réseau européen de zones pilote pour la mise en oeuvre
opérationnelle – FORSEE. FEDER – INTERREG IIIB. Subtarefa: Manutenção, conservação
e fomento apropriado da diversidade biológica nos ecossistemas ﬂorestais.
Agropecuaria
Zedaker S.M., Lewis J.B. Smith D.WM. & Kreh R.E. 1987. Impact of season of harvest and
site quality on cutstump treatments of Piedmont hardwoods. Southern Journal of Applied
Forestry 11: 46-49

OA-PLF-ESP-04 Descripcion Estadistica Simfor-Creft Ajust Jun2014

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

OA-PLF-ESP-04 Descripcion Estadistica Simfor-Creft Ajust Jun2014

Uploaded by

Copyright:

Available Formats

DESCRIPCION ESTADISTICA SIMFOR

PLANTACIONES FORESTALES COMERCIALES

5.1.1 Diámetro medio (𝑑) ............................................................................................................ 24

El presente documento tiene como finalidad hacer una descripción estadística de la

1. Programa de monitoreo del crecimiento y Rendimiento Forestal

Para el desarrollo de programas de fomento forestal se debe contar con información

1.2 Objetivos de un sistema de monitoreo del crecimiento y rendimiento

Se determina la productividad a través de funciones de crecimiento y rendimiento. El

1.3 Metodologías y fuentes de información

Un programa de monitoreo de crecimiento y rendimiento puede estar enfocado bajo

 Los datos provenientes de las mediciones son confiables y adecuados para el

1.4 Etapas de un programa de monitoreo de crecimiento y rendimiento

El muestreo es la primera etapa que se desarrolla en un programa de monitoreo del

2. Red de Parcelas Permanentes de Monitoreo del Crecimiento y

# Densidad Área Basal

3.1 Medición de árboles individuales

3.2 Variables cuantitativas

3.2.1 Medición de diámetros

El diámetro es la principal variable cuantitativa que se puede medir en forma directa en

el objeto de conocer el ahusamiento, el volumen y la forma de cada individuo que conforma

3.2.2 Medición de alturas

3.2.3 Medición del espesor de corteza

3.2.4 Medición de diámetro de copa

3.3 Variables Cualitativas

3.3.1 Posición Sociológica

Posc. Sociológica Descripción

3.3.2 Calidad Fustal

Otra clasificación que puede complementar la anterior, es la relacionada con su calidad

Tabla 3 Clasificación de árboles por su calidad fustal

4.1 Muestreo y Medición de Rodales

Los estudios de crecimiento y rendimiento forestal se basan en el diseño y aplicación de

 Distribución temporal de la población: la variable edad influye de manera

4.2 Diseño de muestreo para inventarios forestales

La toma de decisiones en el manejo forestal se basa fundamentalmente en la recolección

4.3 Unidades muestrales no Probabilísticas

Corresponde a aquellas unidades muestrales que no presentan una base estadística en la

4.4 Unidades muestrales Probabilísticas

 Se asigna a cada árbol de la población una determinada probabilidad de ser

 Todos los árboles de la población son susceptibles de ser seleccionados en cada

4.4.1 Muestreo Aleatorio Simple (MAS)

Corresponde al muestreo probabilístico más sencillo. Su importancia radica en el hecho que

4.4.1.1 Estimadores poblacionales

En inventarios forestales el principal objetivo es estimar valores medios y totales de la

4.4.1.2 Errores de estimación

El error de estimación corresponde a la desviación estándar de las medias muestrales y

Finalmente, el error estándar para el total poblacional 𝑆 ⃑⃑⃑⃑

4.4.1.3 Límites confidenciales

Donde: 𝑆 𝑦⃑ se calcula dependiendo si la muestra se obtuvo de una población finita o infinita,

Donde 𝑆 𝑦⃑ es la varianza para el total de la población.

4.4.1.4 Tamaño de la muestra

En labores de inventario se requiere determinar el número de unidades muestrales

Una expresión para determinar el tamaño muestreal se obtiene despejando n:

Por lo tanto, despejando n se tiene la siguiente expresión para calcular el número de

4.4.2 Muestreo Sistemático

El muestreo sistemático consiste en distribuir una red de parcelas ordenadas conforme a

 En la mayoría de los casos logra una representación más uniforme de la población

4.4.3 Muestreo Estratificado

El muestreo aleatorio o el sistemático son eficientes siempre y cuando las características

4.4.3.1 Estimadores por estrato

4.4.3.2 Estimadores poblacionales

De igual manera, la varianza poblacional estimada es simplemente la varianza de cada

4.4.3.3 Error de estimación y límites confidenciales

Y para una población finita o son reemplazo:

4.4.3.4 Tamaño de la muestra