Introduccion Muestreo Guia Resumen A

Licenciatura en Estadistica
Teoria y Tecnicas de Muestreo - Parte A
Augusto E. Hoszowski1
aehoszowski@gmail.com
1 UNTREF
I Cuatrimestre 2017
Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 1 / 114

Bibliografı́a
Temario
1 Bibliografı́a
2 El muestreo de poblaciones finitas
3 El Muestreo probabilı́stico
4 Universo , marco de muestreo y muestra
5 Diseños Muestrales Basicos
6 Parámetros poblacionales y estimadores
7 Varianza y Desvı́o Standard de un estimador
8 Intervalos de confianza

Bibliografı́a
Muestreo I
Bibliografı́a
G. Cochran (traduc 3a edición en inglés de 1977.

Técnicas de Muestreo,
Primera edición: 1953). CECSA
Muestreo: Diseño y Análisis, S. Lohr (2000) . Thomson
Teorı́a de Muestreo, Y. Tillé. Versión libre en pdf
Model Assisted Survey Sampling, C Sarndal, B Swenson, J Wretman
(1992). Springer
Analysis of Complex Surveys. T. Lumley (2010). Wiley

Bibliografı́a
Muestreo I
Bibliografı́a

(1992). Springer

Bibliografı́a
Muestreo I
Bibliografı́a

(1992). Springer

Bibliografı́a
Muestreo I
Bibliografı́a

(1992). Springer

Bibliografı́a
Muestreo I
Bibliografı́a

(1992). Springer

El muestreo de poblaciones finitas

a1
Temario
1 Bibliografı́a
Antecedentes
Los Censos de Población en Europa
Las encuestas pre electorales
Nicolás Kiaer
El muestreo de poblaciones finitas Antecedentes

Antecedentes
El muestreo en la vida cotidiana

Los censos de población en Europa (P.S. Laplace, Louis Messance..)
Las estadı́sticas oficiales (N. Kiaer)
La estadı́stica académica (C. Gini, J. Neyman)
Las encuestas preelectorales (Gallup)
La medición del desempleo


Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes



Antecedentes


El muestreo de poblaciones finitas Los Censos de Población en Europa
Antecedentes del Muestreo Probabilı́stico

Cómo contar la población de un paı́s?

Censo de Población: Operativo muy costoso
No es necesario un valor ’exacto’ (en esa época..)



















Antecedentes del Muestreo

Los censos de población en Francia
El método del multiplicador (1600-1700)

Relación entre nacimientos y población
Relación entre defunciones y población








El método del multiplicador
Método del Multiplicador

p = Población en las comunas seleccionadas
n = Nacimientos en las comunas p
seleccionadas Pb = N ·
n
N = Total de nacimientos en Francia (en
cierto perı́odo)
Pb = Población estimada



n
cierto perı́odo)



n
cierto perı́odo)



n
cierto perı́odo)



n
cierto perı́odo)



n
cierto perı́odo)

Antecedentes del muestreo

Como seleccionar las comunas?

Dos multiplicadores. Comunas urbanas y rurales
⇒
En el lenguaje del muestreo: Estimador de razón separado
Porqué el método era en esa época preferible a un censo?



⇒



⇒



⇒



⇒



⇒


El método del multiplicador es en esencia estimar la población

mediante una muestra
No permite estimar la población en área pequeñas....
No permite la construcción de un Marco de Muestreo para las
encuestas a hogares



encuestas a hogares



encuestas a hogares

El muestreo de poblaciones finitas Las encuestas pre electorales
Las encuestas preelectorales en EEUU

La elección de 1936
Las encuestas preelectorales en EEUU (1890 - )

La elección de 1936 en EEUU: Franklin D Roosevelt - Alf Landon
Literary Digest, George Gallup, Elmo Roper, Archibald Crossely










La elección de 1936 en EEUU

Proyecciones y resultados
Resultado final de la elección

Alfred Landon 36.5
F. D. Roosevelt 60.8
Las proyecciones para Roosevelt

Literary Digest 42.6
Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7



Alfred Landon 36.5

Gallup (AIPO) 54.0
Crossley 54 - 55
Roper 61.7

El muestreo de poblaciones finitas Nicolás Kiaer

Nicolás Kiaer y el ISI de 1895 en Berna
Nicolai Kiaer (15 septiembre 1838 Oslo, 16 abril 1919)

ISI de 1895-Berna Observations and experiences with representative
surveys
Selección de 127 comunas rurales y 23 ciudades representativas

Subselección de personas de ciertas edades (17, 22, 27..)
Aquellos con inicial A, B, C, L, M, N



surveys




surveys


Nicolás Kiaer y el método representativo
ISI, San Petersburgo 1899

ISI, Berlin 1903

ISI, San Petersburgo 1899

ISI, Berlin 1903

Roma, 1924
Se crea una comisión compuesta por Arthur Bowlye, Corrado Gini,
Adolphe Jensen, Lucien March..para estudiar el método representativo
ISI 1925, Roma

El método es aceptado siempre que se cumplan ciertas pautas en la
selección de las unidades
No está todavı́a planteada la discusión sobre como seleccionar la muestra.

Roma, 1924
Se crea una comisión compuesta por Arthur Bowlye, Corrado Gini,
Adolphe Jensen, Lucien March..para estudiar el método representativo
ISI 1925, Roma

El método es aceptado siempre que se cumplan ciertas pautas en la
selección de las unidades
No está todavı́a planteada la discusión sobre como seleccionar la muestra.

El Muestreo probabilı́stico
Temario
1 Bibliografı́a
Jerzy Neyman
Definición y ejemplos básicos
Muestreo no probabilı́stico

El Muestreo probabilı́stico Jerzy Neyman
El Muestreo Probabilı́stico
Jerzy Neyman
Jerzy Neyman (1934): Muestreo probabilı́stico

On the Two Different Aspects of the Representative Method: The Method
of Stratified Sampling and the Method of Purposive Selection
⇒
Estratificación
Asignación no proporcional de la muestra
La muestra no tiene porqué ser un universo en miniatura
Jerzy Neyman (1937)

⇒
Intervalo de confianza

Jerzy Neyman

⇒
Estratificación
Jerzy Neyman (1937)

⇒

Jerzy Neyman

⇒
Estratificación
Jerzy Neyman (1937)

⇒

Jerzy Neyman

⇒
Estratificación
Jerzy Neyman (1937)

⇒

Muestreo probabilı́stico
Qué es lo aleatorio?
Enfoque basado en el diseño: la muestra

Enfoque basado en un modelo: las variables bajo estudio

Muestreo probabilı́stico
Qué es lo aleatorio?
Enfoque basado en el diseño: la muestra

Enfoque basado en un modelo: las variables bajo estudio

El Muestreo probabilı́stico Definición y ejemplos básicos
Muestreo Probabilı́stico
Definicion
Una muestra (o diseño muestral) es ’probabilı́stica’ si todo elemento del
universo U tiene una probabilidad positiva y conocida de ser seleccionado

Ejemplos
Ejemplo I
Selección probabilı́stica de un alumno del curso
Ejemplo II
Selección probabilı́stica = Selección ’azarosa’ ?
Ejemplo III
Porqué el muestreo por cuotas no es probabilı́stico?

Ejemplos
Ejemplo I
Ejemplo II
Ejemplo III

Ejemplos
Ejemplo I
Ejemplo II
Ejemplo III

Es siempre ’superior’ el MP al MNP?

Ejemplo
Selección de una muestra de tamaño reducido

Muestreo Probabilı́stico vs Muestreo No Probabilı́stico

El MP qué presupone?
I. Selección de una muestra probabilı́stica de unidades

En la práctica esto exige contar con un Marco de Muestreo
II
Que cada unidad tenga asociada cierta caracterı́stica ’constante’ Y posible
de ser medida
III
Que podamos a la muestra seleccionada medirle la caracterı́stica Y



II
de ser medida
III



II
de ser medida
III

No respuesta y muestreo probabilı́stico

Consecuencias de la NR
U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj
Cuál es la probabilidad de pertenecer a la muestra final?

Qué tasa de no respuesta invalida las inferencias?
Corrección de la no respuesta: Necesidad de hacer supuestos (modelo)


U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj



U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj



U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj



U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj



U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj



U = 1, 2,........., i,.........., j,..........., N
Yi = Y1 ,.........,Yi ,........,Yj ,..........,YN
s= i j
r= . Yj


El Muestreo probabilı́stico Muestreo no probabilı́stico
Métodos no probabilı́sticos
Opinión pública
Muestreo por cuotas
Encuestas telefónicas
Encuestas web
Muestreo de redes
Medicina
Selección por conveniencia
Biologı́a/ Ecologı́a
Captura y recaptura (abudancia animal)

Opinión pública
Muestreo por cuotas
Encuestas web
Muestreo de redes
Medicina

Opinión pública
Muestreo por cuotas
Encuestas web
Muestreo de redes
Medicina

Opinión pública
Muestreo por cuotas
Encuestas web
Muestreo de redes
Medicina

Opinión pública
Muestreo por cuotas
Encuestas web
Muestreo de redes
Medicina

Opinión pública
Muestreo por cuotas
Encuestas web
Muestreo de redes
Medicina

Poblaciones elusivas
Temáticas sensibles
Poblaciones raras (< 1/ 10,000 ?)
Poblaciones nómades




Poblaciones raras, ocultas, elusivas y temáticas sensibles

Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
Población transexual
Personas afectadas de una enfermedad rara
Personas sin techo (Poblaciones nómades)
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....


Algunos ejemplos
Ingreso
Trabajo infantil
Heroinómanos
....

Algunos ejemplos de metodologı́as en principio no

probabilı́sticas
Bola de Nieve (Snowball sampling), J Coleman (Relational analysis:

The study of social organizations with survey methods, 1958), Leo
Goodman (Snowball sampling, 1961)
Respondent-Driven Sampling, (D Heckathorn, 1997)
Network Scale-up Method (NSUM, 2009), Russell y McCarty.
(consumo de crak en Brasil)
Captura y re captura


probabilı́sticas



probabilı́sticas



probabilı́sticas



probabilı́sticas


Inferencia a partir de muestras probabilı́sticas y no

probabilı́sticas
Muestreo probabilı́stico: posibilidad de inferencia estadı́stica

Inferencia estadı́stica a partir de muestras no probabilı́sticas?
Antes del muestreo probabilı́stico (1934) hubo inferencias cientı́ficas a
partir de muestras no probabilı́sticas?


probabilı́sticas



probabilı́sticas



probabilı́sticas


Inferencia a partir de muestras no probabilı́ticas

Ejemplos
Muestras por conveniencia en medicina y epidemiologı́a

Muestras no probabilı́stica en encuesta a empresas?
Arqueologı́a
Muestras seleccionadas en forma probabilı́stica pero con alta no
respuesta


Ejemplos

Arqueologı́a
respuesta


Ejemplos

Arqueologı́a
respuesta


Ejemplos

Arqueologı́a
respuesta


Ejemplos

Arqueologı́a
respuesta


Ejemplos

Arqueologı́a
respuesta


Ejemplos

Arqueologı́a
respuesta

Leslie Kish
Leslie Kish
1902 Hungrı́a - 2000
EEUU
Census Bureau
Universidad de Michigan
’Encuestas por Muestreo’
(1960)
Efecto Diseño
Tabla de Kish
Selección controlada
......

Leslie Kish
Leslie Kish
1902 Hungrı́a - 2000
EEUU
Census Bureau
(1960)
Efecto Diseño
Tabla de Kish
......

Leslie Kish
Leslie Kish
1902 Hungrı́a - 2000
EEUU
Census Bureau
(1960)
Efecto Diseño
Tabla de Kish
......

Leslie Kish
Leslie Kish
Great advances of the most successful sciences - astronomy, physics, chemistry - were
and are, achieved without probability sampling. Statistical inference in these researches
is based on subjective judgment about the presence of adequate, automatic, and natural
randomization in the population . . . No clear rule exists for deciding exactly when
probability sampling is necessary, and what price should be paid for it . . .Probability
sampling for randomization is not a dogma, but a strategy, especially for large numbers.
(pp. 28-29) (1965)

Ventajas del Muestreo Probabilı́stico
Mecanismo de selección objetivo

Ausencia de sesgos de selección
Inferencia estadı́stica
Posibilidad de estimar medidas de precisión
Se puede a partir de muestras no probabilı́sticas dar medidas de

precisión?



precisión?



precisión?



precisión?



precisión?



precisión?



precisión?



precisión?



precisión?

Universo , marco de muestreo y muestra
Temario
1 Bibliografı́a

Del universo bajo estudio a la estimación
Universo bajo estudio
Variable/s bajo estudio - Parámetro/s a estimar (total, media, razón...)
Marco de muestreo
Unidad de muestreo
Unidad de análisis
Diseño muestral / Muestra

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Marco de muestreo
Unidad de muestreo

Estimador

Universo bajo estudio, Marco de Muestreo, Muestra
Universo y marco de
muestreo
Omisiones
Duplicaciones
Elementos extraños

Universo y marco de
muestreo
Omisiones
Duplicaciones

Universo y marco de
muestreo
Omisiones
Duplicaciones

Universo y marco de
muestreo
Omisiones
Duplicaciones

Marco de Muestreo
Marco de Muestreo
Conjunto de archivos, cartografı́a, etc. que permiten la selección de
unidades
En la práctica puede haber varios niveles de marcos de muestreo, uno
para cada etapa de selección

Marco de Muestreo
Marco de Muestreo
unidades

Marco de Muestreo
Marco de Muestreo
unidades

La Encuesta Permanente de Hogares de INDEC en CABA
La EPH
Muestra probabilı́stica de viviendas
Unidades de análisis: hogares y personas
Universo bajo estudio: hogares y personas que habitan en viviendas
particulares
Marco de Muestreo Primario (de primer etapa)

Listado de radios censales, junto a su cartografı́a e información censal
Marco de Muestreo Secundario (de segunda etapa)

Listado de viviendas particulares de los radios seleccionados en la primer
etapa

La EPH
particulares


etapa

La EPH
particulares


etapa

La EPH
particulares


etapa

La EPH
particulares


etapa

La EPH
particulares


etapa

Diseños Muestrales Basicos
Temario
1 Bibliografı́a
Definición de diseño muestral
Probabilidades de selección
Diseños Muestrales Básicos

Diseños Muestrales Basicos Definición de diseño muestral
Diseño Muestral: (U, S, P)

U: Universo finito
S: Muestras posibles (subconjuntos de U)
P: Función de probabilidad sobre U
P > 0, s ∈ S
P(s)
s P(s) = 1
Con la condición
Para todo i ∈ U, ∃ s ∈ S / i ∈ s
En palabras: Todo elemento del universo está en alguna muestra posible


U: Universo finito
P > 0, s ∈ S
P(s)
s P(s) = 1
Con la condición


U: Universo finito
P > 0, s ∈ S
P(s)
s P(s) = 1
Con la condición


U: Universo finito
P > 0, s ∈ S
P(s)
s P(s) = 1
Con la condición

Diseños Muestrales Basicos Probabilidades de selección
Probabilidades de Selección
En la práctica no nos interesa la probabilidad P(s) sino la probabilidad de

que un elemento i sea seleccionado
P
Probabilidad de selección de primer orden πi = s3i P(s)
P
Probabilidad de selección de segundo orden πij = s3i,j P(s)
1
Factor de expansión Fi = πi
∆ij = πij − πi πj


P
P
1


P
P
1


P
P
1


P
P
1

Definimos dos variables aleatorias importantes:
n(s) = #s (cantidad de elementos de la muestra s)

1 si i ∈ s
Ii (s) =
0 si i ∈
/s
Se cumple:
E(Ii (s))= πi , Var(Ii (s))= πi · (1 − πi )
Cov(Ii (s),Ij (s)) = πij − πi πj

Propiedades importantes de las probablidades de selección

Suma de las probabilidades de primer orden
N
X
πi = E (n(s))
i=1
Demostración:
N
X N X
X
πi = P(s) =
i=1 i=1 s3i
XX X X
= P(s) = P(s) 1=
s i∈s s i∈s
X
= P(s)n(s) = E (n(s))
s

Propiedades importantes de las probabilidades de selección

Suma de las probabilidades de segundo orden
N
X
πij = E (n(s) · (n(s) − 1))
i6=j
Demostración:
N
X N X
X
πij = P(s) =
i6=j i6=j s3i,j
XX X X
P(s) = P(s) 1=
s i6=j s i6=j
i,j∈s i,j∈s
X
P(s) · n(s) · (n(s) − 1) = E (n(s) · (n(s) − 1))
s

Ejemplo de diseño muestral
U=1, 2, 3 , s1 = 1, 2, s2 = 2, 3 , s1 = 1, 2, 3
P(s1 ) = 0,1 , P(s2 ) = 0,3 , P(s3 ) = 0,6
π1 = π11 = 0,1 + 0,6 = 0,7 π2 = π22 = 0,1 + 0,3 + 0,6 = 1

π3 = π33 = 0,3 + 0,6 = 0,9
π12 = π21 = 0,1 + 0,6 = 0,7 π13 = π31 = 0,6 π23 = π32 0,3 + 0,6 = 0,9
(este diseño no tendrı́a sentido en la práctica: una de las muestras es U y
con P(U)=0.6)

Diseños Muestrales Basicos Diseños Muestrales Básicos
Muestreo Aleatorio Simple
MAS(n, N)
U: Universo finito
S: Todos los subconjuntos de U de tamaño n
Todas las muestras son equiprobables ⇒
P(s)= 1/ Nn


MAS(n, N)
U: Universo finito
P(s)= 1/ Nn


MAS(n, N)
U: Universo finito
P(s)= 1/ Nn



Cuántas muestras posibles?

N
#S =
n
n=2 , N=10 #S = 252
n=20 , N=40
#S = 137, 846, 528, 820


Cuántas muestras posibles?
N=10,000 , n=2,000

1655555752355035584608929837527483376968630780990107639501226245279278369803227806624082499
5318806222772111210005426016020418065598071742873644401690919319335377095372278810640478652
0413339850951599929567643032803416164290936680088121145665954509987077953596641237451927908
5366245926365914714564881420608121809337614087081699727977511397993529081097631668957722811
0919596856791192334318746659600262757013932175504380326709133080441488983122983274425603811
7150720178689066894068507531026417815624234453195871008113238128934831837842040515600131726
0960391232798761539165046472416930838295530819010752780423265026993240120148179690854435505
2385528434122170804525355871678981192929859080385594746155471317881539915068852904830622278
6951038548880400191620565711291586700534540755526276938422405001345270278335726581375322976
0146113329991262165505009516699852893226357290535415654659407445246637262058188665134449520
4818520869743805424667419921175000623063780639488267205333549383140708983099413505886737083
3787098758113596190447219426121568324685764151601296948654893782399960327514764114467176417
1250601334540197087007822824805719350208982047634711216849131907359084143018261401250109369
1016194213027790687455272134662680020109302668903599687603532918015047819158239383782473199
4055511844267891121846403164857127885959745644323971338513739214928092232132691519007718752
7194667508917483274048937834514362518058947363924336172894596464292041241297602733962350332
2048092117538605933105935440926734806737558151600385206036037857107552265095615779105884699
3826792047806030332676423336065499519953076910418838626376480202828151673161942289092221049
2839024106999519123661634690999173102393364546370624825997336062993299235897148756965095480
2966835872346542760275822542764463354994480201097335259997004191897152445021872734562272174
4933664742499521140235707102217164259438766026322532351208348119475549696983427008567651685
9213559660367800804157236880443250995626931244887587281027299477537522287857862009983229788
0143251160834154923406732428021436134694019425135786782053546689135601921990424885927739965
7389914429390105240751239760865282709465029549690591863591028864648910033430399
(verificarlo)

Importancia del MAS

Es un diseño importante teóricamente

Importancia del MAS

Es un diseño importante teóricamente

Como seleccionar una MAS?

Ordenar ’aleatoriamente’ las N unidades
Seleccionar las n primeras (o las n ultimas) unidades







Diseño de Bernoulli
B(λ) 0 < λ < 1
Como seleccionar una muestra B(λ) ?

Generar N números i ’aleatorios’ uniformemente distribuidos en (0,1)
Si 1 < λ entonces 1 ∈ s
...
Si N < λ entonces N ∈ s
Para que pedimos que los i ∼ U(0, 1)?

B(λ) 0 < λ < 1

...

B(λ) 0 < λ < 1

...

B(λ) 0 < λ < 1

...

B(λ) 0 < λ < 1

...

B(λ) 0 < λ < 1

...

Tamaño de muestra en un diseño B(λ)
Tamaño medio λ · N
U∈S
∅∈S
P(U) = λN
P(∅) = (1 − λ)N

Importancia del diseño B(λ)
No es un diseño utilizado en la práctica

−→ Tamaño variable
Importante teóricamente







Muestreo de Bernoulli
Como seleccionar con Excel una muestra de Bernoulli?

Muestreo Sistemático
Sist(k) k entero, 0 < k , seleccionar uno de cada k elementos
Como seleccionar una muestra sistemática Sist(k) ?

Generar un número entero AA ’aleatorio’ 0 < AA ≤ k
Seleccionar los elementos AA, AA+k, AA+2k...
Tamaño de muestra en un diseño Sist(k)

#s=[N/k] o [N/k]+1
Solo tiene tamaño fijo si k | N



#s=[N/k] o [N/k]+1



#s=[N/k] o [N/k]+1



#s=[N/k] o [N/k]+1



#s=[N/k] o [N/k]+1



#s=[N/k] o [N/k]+1

Propiedades del muestreo sistemático
En el muestreo sistemático de intervalo entero I
#S = I
1
πi =
I
Si si y sj son dos muestras entonces:
si ∩ si = ∅ o si = sj

Ejemplos de aplicación del muestreo sistemático
Selección de viviendas dentro de un radio censal

Selección de viviendas en una manzana
Selección de personas a partir de un registro
Control de calidad


Control de calidad


Control de calidad


Control de calidad


Control de calidad


Control de calidad


Control de calidad

Selección con probabilidades variables
Selección de localidades, Radios Censales, Empresas...

Es más eficiente seleccionarlas con probabilidad proporcional a alguna
medida de tamaño que en forma equiprobable
Localidades
Población o viviendas particulares
Empresas
Facturación, ventas, empleados..
Colegios
Matrı́cula


Localidades
Empresas
Colegios
Matrı́cula


Localidades
Empresas
Colegios
Matrı́cula


Localidades
Empresas
Colegios
Matrı́cula


Localidades
Empresas
Colegios
Matrı́cula

Un diseño muy aplicado: Sistemático de Madow
Madow(n, Xi , Xi > 0)
Generamos e = U(0, 1)
λi = n · PXi (sup λi < 1)
Xk
Calculamos A0 = −e, Ai+1 = Ai + λi+1 , i > 0
i ∈ s si [Vi−1 , Vi ) contiene un entero, i > 1

Xk

Xk

Xk

Xk

Método de Madow
Caracterı́sticas
Tamaño de la muestra=n (si n · Xi /X < 1 )

Probabilidad de selección proporcional a Xi (si n · Xi /X < 1 )
Las probabilidades de selección dependerán del orden del archivo

Método de Madow
Caracterı́sticas


Método de Madow
Caracterı́sticas


Método de Madow
Caracterı́sticas


Método de Madow
Caracterı́sticas


Método de Madow
Caracterı́sticas


Ejemplo de selección en un diseño de Madow
#S=4
Xi = 3, X2 = 2, X3 = 4, X4 = 5
n=2
Generamos un número e (pseudo) aleatorio uniformemente distribuido en
(0,1)
Supongamos e=0.17. La muestra seleccionada será entonces
V
i X π -0,170 Selec
1 3 0,4286 0,259 1
2 2 0,2857 0,544 0
3 4 0,5714 1,116 1
4 5 0,7143 1,830 0

Muestreo con reposición
A cada unidad i se le asigna una probabilidad de extracción Pi

PN
i=1 Pi = 1
Se seleccionan las unidades, una a una, reponiendo las que se van
seleccionando


PN
i=1 Pi = 1
seleccionando


PN
i=1 Pi = 1
seleccionando

En algunos diseños muestrales básicos
MAS(n,N)
n(n−1)
πi = n/N πij = N(N−1) si i 6= j
Sist(I)
πi = 1/I πij = 1/I ∨ πij = 0
B(λ)
πi = λ πij = λ2 si i 6= j

Diseños muestrales
Ejemplo de selección de muestras
Ejercicio I
U={1, 2, 3, 4, 5, 6, 7}
En cada uno de los diseños: MAS(3), Sist(2), B(0.43) hallar las

probabilidades de primer y segundo orden y los factores de expansión.
Seleccionar una muestra según cada uno de esos diseños.

Ejercicio I
U={1, 2, 3, 4, 5, 6, 7}
En cada uno de los diseños: MAS(3), Sist(2), B(0.43) hallar las

probabilidades de primer y segundo orden y los factores de expansión.
Seleccionar una muestra según cada uno de esos diseños.

Ejercicio II
U={1, 2, 3, 4, 5, 6, 7}
En un diseño de Madow, con probabilidades de selección

proporcionales a Xi=2, 1, 5, 3, 3, 1, 4 y tamaño n=3, hallar las
probabilidades de primer orden y los factores de expansión.
Seleccionar una muestra con ese diseño.

Ejercicio II
U={1, 2, 3, 4, 5, 6, 7}
En un diseño de Madow, con probabilidades de selección

proporcionales a Xi=2, 1, 5, 3, 3, 1, 4 y tamaño n=3, hallar las
probabilidades de primer orden y los factores de expansión.
Seleccionar una muestra con ese diseño.

Parámetros poblacionales y estimadores
Temario
1 Bibliografı́a
Parámetros Poblacionales
Estimadores muestrales
Propiedades de un estimador muestral
Esperanza, Varianza y Desvı́o Standard de un estimador
Estimadores insesgados
Parámetros poblacionales y estimadores Parámetros Poblacionales
Variables objetivo y medidas resumen
Variables objetivo
En la práctica, a cada unidad i le mediremos un vector de variables
i ∈ U , i −→ Yi = (Yi1 , Yi2 , ..., Yik )

Medidas resumen
Deseamos estimar alguna medida resumen de las Yi (o de algunas de sus
componentes)
PN
Total Y = i=1 Yi
PN
Media Y = i=1 Yi /N
PN
i=1 Yi
Razon R = PN
i=1 Xi

Medidas resumen
componentes)
PN
Total Y = i=1 Yi
PN
Media Y = i=1 Yi /N
PN
i=1 Yi
Razon R = PN
i=1 Xi

Medidas resumen
componentes)
PN
Total Y = i=1 Yi
PN
Media Y = i=1 Yi /N
PN
i=1 Yi
Razon R = PN
i=1 Xi

Medidas resumen
componentes)
PN
Total Y = i=1 Yi
PN
Media Y = i=1 Yi /N
PN
i=1 Yi
Razon R = PN
i=1 Xi


Otras medidas resumen
Ingreso medio de los asalariados
Y Y
Cociente de dos totales R = X = X
Ejemplo: U universo de personas que habitan en hogares particulares
R = Ingreso medio percibido por los asalariados en el último mes
Y = masa total salarial percibida el último mes

X = total de asalariados


Y Y



Y Y



Y Y



Y Y



Y Y



1 PN
S2 = N−1 · i=1 (Yi − Ȳ )2
1 PN
Sxy = N−1 · i=1 (Yi − Ȳ ) · (Xi − X̄ )
Coeficiente de Gini, Etcétera


1 PN
S2 = N−1 · i=1 (Yi − Ȳ )2
1 PN
Sxy = N−1 · i=1 (Yi − Ȳ ) · (Xi − X̄ )


1 PN
S2 = N−1 · i=1 (Yi − Ȳ )2
1 PN
Sxy = N−1 · i=1 (Yi − Ȳ ) · (Xi − X̄ )


1 PN
S2 = N−1 · i=1 (Yi − Ȳ )2
1 PN
Sxy = N−1 · i=1 (Yi − Ȳ ) · (Xi − X̄ )

Parámetros poblacionales y estimadores Estimadores muestrales
Deseamos estimar un parámetro θ mediante los valores Yi observados en

i ∈s
El parámetro θ será en la práctica alguna de las medidas resumen
habituales: media, total, cociente de dos totales...
Variable cuyos valor depende de los valores {Yi }i∈s de la muestra
Los estimadores muestrales son variables aleatorias

Sus valores dependen de la muestra seleccionada


i ∈s



i ∈s



i ∈s


Estimadores muestrales: Variables Aleatorias
U + Diseño Muestral + Estimador θ̂
s1 −→ θ̂1 (Y )
s2 −→ θ̂2 (Y )
s3 −→ θ̂3 (Y )
s4 −→ θ̂4 (Y )
s5 −→ θ̂5 (Y )
.........

Estimacion de la media poblacional
Ejemplo III
Supongamos una variable bajo estudio Yi
Seleccionamos s, una MAS(n,N)

A partir de s, calculamos la media muestral:
X
y= Yi
i∈s
Para cada muestra s tendremos una estimación y

Ejemplo III

X
y= Yi
i∈s

Ejemplo III

X
y= Yi
i∈s

Ejemplo III

X
y= Yi
i∈s

Ejemplo IV
Seleccionamos s, una muestra Sist(I)
X
y= Yi /n(s)
i∈s
Ejemplo V
A partir de s, calculamos :
b = I · XY
Y i
N
i∈s
Ejemplo IV
X
y= Yi /n(s)
i∈s
Ejemplo V
A partir de s, calculamos :
b = I · XY
Y i
N
i∈s
Estimador de Horvitz-Thompson
Resultado importantes
En el Muestreo Aleatorio Simple...
t̂πy = N · ȳ
ˆt̄πy = ȳ

Ejercicio I
#U=7, Yi = 2, 2, 6, 3, 8, 2, 12 P
Diseño muestral: Sist(3) Hallar 71 · N
i=1 Yi . Completar el siguiente cuadro
s ȳ ˆt̄πy
1, 4, 7 . .
Para hallar ˆt̄πy calcular
2, 5 . .
previamente los πi
3, 6 . .
Promedio . .
Comparar los promedios con Ȳ

Ejercicio I
#U=7, Yi = 2, 2, 6, 3, 8, 2, 12 P
s ȳ ˆt̄πy
1, 4, 7 . .
2, 5 . .
previamente los πi
3, 6 . .
Promedio . .

Ejercicio I
#U=7, Yi = 2, 2, 6, 3, 8, 2, 12 P
s ȳ ˆt̄πy
1, 4, 7 . .
2, 5 . .
previamente los πi
3, 6 . .
Promedio . .

Parámetros poblacionales y estimadores Propiedades de un estimador muestral
Estimadores
Propiedades deseables
Que el promedio (ponderado) de los valores posibles del estimador

coincidan con el parámetro a estimar: Estimador insesgado
Que haya poca dispersión entre los distintos valores que toma el
estimador: Poca varianza
Que los distintos valores del estimador estén cerca del valor a estimar:
Poco error medio cuadrático
⇒ Estimador acurado

Estimadores


Estimadores


Representación gráfica de un estimador

Dispersión, precisión y acuracidad
Varianza Desvı́o Standard

Sesgo
Error Medio Cuadrático



Sesgo



Sesgo

Parámetros poblacionales y estimadores Esperanza, Varianza y Desvı́o Standard de un estimador
Esperanza de un estimador
Esperanza de un estimador
X
E (θ)
b = b · P(s)
θ(s)
s

Parámetros poblacionales y estimadores Estimadores insesgados
Estimadores insesgado
Estimador insesgado
Un estimador es insesgado si su valor esperanza coincide con el parámetro

a estimar para cualquier vector Yi = Yi1 , ..., YiN :
E (θ)
b =θ
El sesgo de un estimador será:

b = θ − E (θ)
Sesgo(θ) b

Ejemplos importantes
En el Muestreo Aleatorio Simple
ȳ es un estimador insegado de la media poblacional Ȳ
s 2 es un estimador insegado de S 2
sxy es un estimador insegado de Sxy




Estimador de Horvitz - Thompson
t̂πy es un estimador insesgado del total poblacional
Demostración:
Utilizaremos para la demostración las variables indicadoras
X Yi N
X Yi
t̂πy = = Ii (s) · ⇒
πi πi
i∈s i=1
N N
X Yi X Yi
E (t̂πy ) = E ( Ii (s) · ) = E (Ii (s) · ) =
πi πi
i=1 i=1
N N N
X Yi X Yi X
= · E (Ii (s) = · πi = Yi = ty
πi πi
i=1 i=1 i=1

Algunos ejemplos
En el Muestreo Sistemático:
La media muestral no es un estimador insesgado de la media poblacional,

salvo si I k N

Algunos ejemplos
y
R̂ =
x
no es un estimador insesgado de
Y
R=
X
El sesgo en la práctica es en general despreciable

Ejercicio II (con Excel)
#U= 4, Yi = 2, 1, 4, 6 ; Xi = 3, 3, 8, 10
Muestreo aleatorio simple, n=3
Listar las 4 muestras posibles

Cuál es la probabilidad de selección de cada muestra?
Verificar que E(ȳ ) = Ȳ
Verificar que E(sy2 ) = Sy2
Verificar que E(syy ) = Sxy

#U= 4, Yi = 2, 1, 4, 6 ; Xi = 3, 3, 8, 10


#U= 4, Yi = 2, 1, 4, 6 ; Xi = 3, 3, 8, 10


#U= 4, Yi = 2, 1, 4, 6 ; Xi = 3, 3, 8, 10


#U= 4, Yi = 2, 1, 4, 6 ; Xi = 3, 3, 8, 10


Ejercicio III (con Excel)
#U= 4, Yi = 1, 2, 3, 4 ; Xi = 2, 3, 6, 8

Ȳ ȳ
Deseamos estimar R = X̄
mediante R̂ = x̄
Verificar que R̂ no es un estimador insesgado de R

Hallar sesgo y sesgo relativo de R̂

Ejercicio III (con Excel)
#U= 4, Yi = 1, 2, 3, 4 ; Xi = 2, 3, 6, 8

Ȳ ȳ
Deseamos estimar R = X̄
mediante R̂ = x̄
Verificar que R̂ no es un estimador insesgado de R

Hallar sesgo y sesgo relativo de R̂

Varianza y Desvı́o Standard de un estimador
Temario
1 Bibliografı́a
Sesgo y Error Medio Cuadrático
Varianza del estimador de Horvitz-Thompson
Varianza de la media muestral en el MAS
Variables dicotómicas y estimación de proporciones
DS y CV
Varianza y Desvı́o Standard de un estimador Varianza y Desvı́o Standard de un estimador
Varianza de un estimador
X
b − E (θ(s))) 2
Var (θ) = (θ(s) b · P(s)
s
Desvı́o standard de un estimador

q
DS (θ) = Var (θ(s))
b

Varianza y Desvı́o Standard de un estimador Varianza y Desvı́o Standard de un estimador
Varianza de un estimador
X
b − E (θ(s))) 2
Var (θ) = (θ(s) b · P(s)
s
Desvı́o standard de un estimador

q
DS (θ) = Var (θ(s))
b

Varianza y Desvı́o Standard de un estimador Sesgo y Error Medio Cuadrático
Sesgo de un estimador
b = θ − E (θ)
Sesgo(θ) b
EMC de un estimador
X
EMC (θ) = b − θ)2 · P(s) = Var + Sesgo 2
(θ(s)
s
En la práctica nos interesará obtener estimadores con poco EMC

Varianza y Desvı́o Standard de un estimador Sesgo y Error Medio Cuadrático
Sesgo de un estimador
b = θ − E (θ)
Sesgo(θ) b
EMC de un estimador
X
EMC (θ) = b − θ)2 · P(s) = Var + Sesgo 2
(θ(s)
s
En la práctica nos interesará obtener estimadores con poco EMC

Varianza y Desvı́o Standard de un estimador Varianza del estimador de Horvitz-Thompson
Se cumple lo siguiente:
X Yi Yj
V (t̂πy ) = ∆ij · · =
Yi Yj
i,j
N
X X
= Yi2 · (1/πi − 1) + Yi Yj · (πij /(πi πj ) − 1)
i=1 i6=j
Y si todos los πij > 0 , un estimador insesgado de V (t̂πy ) será
X ∆ij Yi Yj
V̂ (t̂πy ) = · ·
πij πi πj
i,j∈s
(este estimador puede tomar valores negativos en algunos diseños)


Forma de Sen-Yates-Grundy
Si el diseño muestral tiene tamaño de muestra fijo entonces
1X Yi Yj
V (t̂πy ) = − ∆ij ( − )2
2 πi πj
i,j
Que se estima en forma insesgada (si todos los πij > 0) mediante
1 X ∆ij Yi Yi
V̂ (t̂πy ) = − ( − )2
2 πij πi πi
i,j
Condición de S-Y-G: ∆ij < 0

Cuando el estimador de H-T tendrá poca varianza?
Tamaño de muestra fijo

Probabilidades de selección (aprox.) proporcionales a Yi

Tamaño de muestra fijo

Probabilidades de selección (aprox.) proporcionales a Yi


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Verificar que E(t̂πy ) = ty
Hallar Var(t̂πy )
Hallar CV(t̂πy )
Hallar las relaciones Yi /pii


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Hallar Var(t̂πy )
Hallar CV(t̂πy )


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Hallar Var(t̂πy )
Hallar CV(t̂πy )


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Hallar Var(t̂πy )
Hallar CV(t̂πy )


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Hallar Var(t̂πy )
Hallar CV(t̂πy )


Ejercicio V
#U= 4, Yi = 10.1, 4.8, 6.9, 8.1
s1 ={1, 2, 3} ; s2 = {1, 2, 4} ; s3 ={1, 3, 4}
P(s1 )=0.2 ; P(s2 )=0.3 ; P(s2 )=0.5
Halar los π
Hallar Var(t̂πy )
Hallar CV(t̂πy )

Otro estimador usual

Estimador de Hajek
Si el diseño muestra no tiene tamaño fijo un estimador de la media que

puede ser preferible al π estimador es el llamado estimador de Hajek:
El estimador de Hajek para la media es
ˆt̄Hy = P t̂πy
i∈s 1/πi
El estimador análogo para el total será:
t̂Hy = N · ˆt̄Hy

Varianza y Desvı́o Standard de un estimador Varianza de la media muestral en el MAS

n S2
Var( ȳ ) = (1 - N) · n
N
1
Donde S 2 = (Yi − Ȳ )2
P
N ·
i=1
De aquı́ se deduce
n S2
Var(N ·ȳ ) = N 2 · (1 − N) · n
En la práctica estimaremos S 2 con s 2


n S2
Var( ȳ ) = (1 - N) · n
N
1
Donde S 2 = (Yi − Ȳ )2
P
N ·
i=1
n S2
Var(N ·ȳ ) = N 2 · (1 − N) · n


n S2
Var( ȳ ) = (1 - N) · n
N
1
Donde S 2 = (Yi − Ȳ )2
P
N ·
i=1
n S2
Var(N ·ȳ ) = N 2 · (1 − N) · n


n S2
Var( ȳ ) = (1 - N) · n
N
1
Donde S 2 = (Yi − Ȳ )2
P
N ·
i=1
n S2
Var(N ·ȳ ) = N 2 · (1 − N) · n


Ejercicio IV
#U = 9
Yi = 10 , 12 , 8 , 6 , 5, 14 , 16 , 8 , 3
Diseño muestral: MAS(4)
Cuántas muestras posibles hay?

Aplicando las fórmulas hallar el Var y DS de ȳ


Ejercicio IV
#U = 9
Yi = 10 , 12 , 8 , 6 , 5, 14 , 16 , 8 , 3



Ejercicio IV
#U = 9
Yi = 10 , 12 , 8 , 6 , 5, 14 , 16 , 8 , 3


Covarianza de dos medias complementarias en el MAS

-De U selecccionamos una MAS s1 → ȳ1
-De U-s1 seleccionamos una MAS s2 → ȳ2
Queremos hallar la covarianza entre ȳ1 y ȳ2

Utilizamos esperanza condicional:
Cov (ȳ1 , ȳ2 ) = E (ȳ1 · ȳ2 ) − E (ȳ1 ) · E (ȳ2 )
= Es1 (E (ȳ1 · ȳ1 |s1 )) − Ȳ 2 = Es1 (ȳ1 E (ȳ2 |s1 )) − Ȳ 2

Es1 (ȳ1 · ((Ȳ − W1 ȳ1 )/W 2) − Ȳ 2
Ȳ 2 /W 2 − E (W1 · ȳ12 /W2 ) − Ȳ 2
Ȳ 2 (1/W 2 − 1) − (W1 /W2 )(Var (ȳ1 2 )
= (W1 /W2 ) · Ȳ 2 − (W1 /W2 ) · Var (ȳ1 )

Varianza y Desvı́o Standard de un estimador Variables dicotómicas y estimación de proporciones
Variables dicotómicas
Estimación de proporciones

1 si i ∈ C

Yi =

0 si i ∈
/C

ty = #C
#C
t̄y = =P
N

Variables dicotómicas y MAS

P = Ȳ , Q =1−P
N n
S2 = · PQ , s2 = · pq
N −1 n−1
n N 1
V (p) = (1 − )· · PQ ·
N N −1 n
n 1
V̂ (p) = (1 − ) · pq ·
N n−1
E (V̂ (ȳ )) = V (ȳ )


P = Ȳ , Q =1−P
N n
S2 = · PQ , s2 = · pq
N −1 n−1
n N 1
V (p) = (1 − )· · PQ ·
N N −1 n
n 1
V̂ (p) = (1 − ) · pq ·
N n−1
E (V̂ (ȳ )) = V (ȳ )


P = Ȳ , Q =1−P
N n
S2 = · PQ , s2 = · pq
N −1 n−1
n N 1
V (p) = (1 − )· · PQ ·
N N −1 n
n 1
V̂ (p) = (1 − ) · pq ·
N n−1
E (V̂ (ȳ )) = V (ȳ )


P = Ȳ , Q =1−P
N n
S2 = · PQ , s2 = · pq
N −1 n−1
n N 1
V (p) = (1 − )· · PQ ·
N N −1 n
n 1
V̂ (p) = (1 − ) · pq ·
N n−1
E (V̂ (ȳ )) = V (ȳ )

Estimación con muestras pequeñas

La distribución hipergeométrica
Sea un universo U, #U=n , A ⊆ U, #A=C

Deseamos estimar P = C /N mediante una MAS(n)
Se tiene que Prob(a unidades de C en s)=

A N −A N
= · /
a n−a n
Esta distribución permite obtener un intervalo de confianza para estimar

proporciones pequeñas

Estimación con muestras pequeñas

Intervalos de confianza con muestras pequeñas
Por ejemplo, el lı́mite superior se obtiene ası́:
-Fijamos un nivel α pequeño, por ejemplo α = 0,05

-Hallamos la cantidad a de unidades en la muestra que están en C
-Hallamos el valor ÂU tal que se cumpla:
a
X
Pr (j unidades de C en la muestra|ÂU ) ≈ α
j=0
ÂU será el lı́mite superior del intervalo de confianza

Estimación de una razón en el Muestreo Aleatorio Simple
Ȳ
R=
X̄
ȳ
R̂ = x̄ (no es un estimador insesgado de R en el MAS)
1 (1 − f )
Var R̂ ≈ 2 · · (Sy2 + R 2 · Sx2 − 2 · R · Sxy )
X̄ n
= (en el MAS) X̄12 · (1−f

n
) PN
· i=1 (Yi − RXi )2 · N−1 1

Estimación de una razón en el Muestreo Aleatorio Simple
Ȳ
R=
X̄
ȳ
R̂ = x̄ (no es un estimador insesgado de R en el MAS)
1 (1 − f )
Var R̂ ≈ 2 · · (Sy2 + R 2 · Sx2 − 2 · R · Sxy )
X̄ n
= (en el MAS) X̄12 · (1−f

n
) PN
· i=1 (Yi − RXi )2 · N−1 1

Diseño de Midzuno
Se supone una variable auxiliar Xi > 0

1. Se selecciona una unidad con probabilidad Xi /X
2. Se seleccionan mediante un MAS las restantes n-1 unidades
Propiedades del diseño de Midzuno:

-Es un diseño de tamaño fijo n(s)=n
-Probabilidades de selección aproximadamente proporcionales a Xi
Xi
-πi = N−nN−1 X + N−1
n−1
-E (ȳ /x̄) = Ȳ /X̄

-P(s) = X̂ 1
X · (N )
n
-∆ij ≤ 0

Varianza y Desvı́o Standard de un estimador DS y CV
Precisión / Variabilidad de un estimador

Desvı́o Standard y CV
Desvı́o Standard
r
Var θb
En promedio, cuanto se aleja el estimador de su valor medio
Coeficiente de Variación
DS(θ)
b
100 ·
θ
(θ 6= 0)
Nos dice qué proporción del valor a estimar es el DS

Precisión / Variabilidad de un estimador

Desvı́o Standard y CV
Desvı́o Standard
r
Var θb
En promedio, cuanto se aleja el estimador de su valor medio
DS(θ)
b
100 ·
θ
(θ 6= 0)
Nos dice qué proporción del valor a estimar es el DS

Coeficiente de Variación - Ejemplo
θ=280kg
DS(θ)=28kg
b
CV = 10 %

θ=280kg
DS(θ)=28kg
b
CV = 10 %

θ=280kg
DS(θ)=28kg
b
CV = 10 %

Algunas propiedades
El CV no tiene unidad de medida: podemos comparar la precisión de

dos estimadores (insesgados)
Estimador del total de Tn de arroz producidas vs Estimador del
ingreso total familiar
No varı́a con un cambio de unidad de medida por un factor > 0
Interpretar con precaución (Un CV alto ⇒ estimación poco
confiable?)

Algunas propiedades

confiable?)

Algunas propiedades

confiable?)

Algunas propiedades

confiable?)

Ejercicio VI
#U = 4
Yi = 0.101 , 0.2402 , -0.337 , 0.004
Hallar el DS de la serie de 4 valores

Hallar el CV (en %) de la serie de 4 valores
Repetir el ejercicio con la variable Zi = 120 · Yi

Ejercicio VI
#U = 4
Yi = 0.101 , 0.2402 , -0.337 , 0.004


Ejercicio VI
#U = 4
Yi = 0.101 , 0.2402 , -0.337 , 0.004


Intervalos de confianza
Temario
1 Bibliografı́a

Distribución de los estimadores usuales

(Supuesto de normalidad )
Bajo el supuesto de que nuestro estimador se distribuye aproximadamente

como una normal
(θb − 1,64 · DS(θ);

b θb + 1,64 · DS(θ))
b
será un intervalo de confianza al 90 % de confianza


Ejercicio VII
Deseamos estimar la media de edades (Yi ) en un curso con 60 alumnos

Seleccionamos una MAS de 24 alumnos, obteniendo
yi = 30 , 32 , 28 , 36 , 45, 24 , 36 , 38 , 33, 36
42 , 31 , 39 , 35 , 29, 37 , 28 , 29 , 30, 30
39 , 35 , 29 , 37
Estimar con dicha muestra la edad promedio en el curso

Dar un intervalo de confianza al 90 % para la estimación
(suponemos que ȳ sigue en este caso una distribución aproximadamente

normal)


Ejercicio VII

yi = 30 , 32 , 28 , 36 , 45, 24 , 36 , 38 , 33, 36
42 , 31 , 39 , 35 , 29, 37 , 28 , 29 , 30, 30
39 , 35 , 29 , 37


normal)


Ejercicio VII

yi = 30 , 32 , 28 , 36 , 45, 24 , 36 , 38 , 33, 36
42 , 31 , 39 , 35 , 29, 37 , 28 , 29 , 30, 30
39 , 35 , 29 , 37


normal)


Ejercicio VII

yi = 30 , 32 , 28 , 36 , 45, 24 , 36 , 38 , 33, 36
42 , 31 , 39 , 35 , 29, 37 , 28 , 29 , 30, 30
39 , 35 , 29 , 37


normal)

Tamaño de muestra en el MAS I

Estimación de la media poblacional con DS pre asignado
n S2
De la fórmula básica Var (ȳ ) = (1 − N)· n se deduce que el n mı́nimo que
hace que
DS(ȳ ) < c es
S2
n=
V + S 2 /N
(en la práctica redondearemos n a un entero)
En el caso de la estimación de una proporción P, si sabemos que

P1 ≤ P ≤ P2 ≤ 0,5 entonces el caso más ’desfavorable’ (para el DS) es P2
Si 0,5 ≤ P1 ≤ P ≤ P2 , el P más ’desfavorable’ (para el DS) será P1

Tamaño de muestra en el MAS II

Estimación de la media poblacional con CV pre asignado
Si lo que se desea es un n que garantice que el CV (ȳ ) sea menor que

cierto c, entonces deberá ser:
S2
n≥
(c/100)2 · Ȳ 2 + S 2 /N
En la práctica redondearemos n a un entero

Tamaño de muestra en el MAS III

Estimación de una proporción con CV pre asignado
En el caso de la estimación de una proporción P la fórmula anterior queda:
PQ
n≈ =
(c/100)2 · P 2 + PQ/N
Q
(c/100)2 · P + Q/N
En el caso de una población real, Q/N será probablemente despreciable, lo

que muestra que basta que P tienda a cero para que el n necesario tienda
a infinito.

Tamaño de muestra en el MAS IV

Estimación de una proporción con CV pre asignado
En la práctica no conocemos P, pero si sabemos que P1 ≤ P ≤ P2 ≤ 0,5,

entonces el P más ’desfavorable’ (para el CV) será P1
Si 0,5 ≤ P1 ≤ P ≤ P2 , el P más ’desfavorable’ (para el CV) será P2

Introduccion Muestreo Guia Resumen A

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

Introduccion Muestreo Guia Resumen A

Uploaded by

Copyright:

Available Formats

Licenciatura en Estadistica

Teoria y Tecnicas de Muestreo - Parte A

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 1 / 114

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 2 / 114

G. Cochran (traduc 3a edición en inglés de 1977.

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 3 / 114

G. Cochran (traduc 3a edición en inglés de 1977.

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 3 / 114

G. Cochran (traduc 3a edición en inglés de 1977.

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 3 / 114

G. Cochran (traduc 3a edición en inglés de 1977.

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 3 / 114

G. Cochran (traduc 3a edición en inglés de 1977.

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 3 / 114

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 4 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

El muestreo de poblaciones finitas

El muestreo en la vida cotidiana

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 5 / 114

Antecedentes del Muestreo Probabilı́stico

Cómo contar la población de un paı́s?

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 6 / 114

Antecedentes del Muestreo Probabilı́stico

Cómo contar la población de un paı́s?

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 6 / 114

Antecedentes del Muestreo Probabilı́stico

Cómo contar la población de un paı́s?

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 6 / 114

Antecedentes del Muestreo Probabilı́stico

Cómo contar la población de un paı́s?

Augusto E. Hoszowski (UNTREF) Licenciatura en Estadistica I Cuatrimestre 2017 6 / 114

Antecedentes del Muestreo Probabilı́stico