disenos~ de muestreo estad stico - · pdf fileˇse ja a priori por experiencia y es igual para...
TRANSCRIPT
Disenos de Muestreo Estadıstico
Giovany Babativa, MSc.
Especializacion en EstadısticaDepartamento de Ciencias Basicas
Fundacion Universitaria Los Libertadores
15 de septiembre de 2012
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Definicion
Sea s ⊆ U una muestra probabilıstica y sea S el conjunto de todaslas muestras posibles. La funcion de medida de probabilidad:
P :S → (0, 1)
si 7→ p(si )
Dado el conjunto S , un diseno de muestreo es una funcion p(·),tal que p(si ) es la probabilidad de que la muestra i sea laseleccionada.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos:1. Muestreo Aleatorio Simple. MAS(N, n)
p(si ) =
1
(Nn)Para toda muestra de tamano n de N sin repocision
0 en otro caso
(1)n corresponde al tamano de la muestra mientras que Ncorresponde al tamano del universo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
1 Algoritmo Coordinado Negativo: Sea ξk ∼ U(0, 1) usando
el arregloY : y1 y2 . . . yNξ: ξ1 ξ2 . . . ξN
se puede obtener una muestra de tamano n donde todos loselementos y muestras tienen la misma probabilidad de serseleccionados. El algoritmo consiste en ordenar el marcomuestral desde el aleatorio mas pequeno hasta el mas grandey seleccionar los primeros n elementos, ası:
Y : yl yk . . . yj . . . yiξ: ξ(1) ξ(2) . . . ξ(n) . . . ξ(N)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Aleatorio Simple. MAS(N, n)Mecanismo de seleccion
2. Algoritmo Fan-Muller & Rezucha (1962): denominadometodo de seleccion rechazo que consiste en ir descartando oseleccionando cada elemento en la muestra:
Procedimiento
1. Generar ζ1 ∼ U(0, 1) y si ζ1 <nN entonces y1 ∈ s y I1 = 1 en caso
contrario I1 = 0. Haga nsel,1 = I1
2. Generar ζ2 ∼ U(0, 1) y si ζ2 <n−nsel,1
N−1 entonces y2 ∈ s y I2 = 1 encaso contrario I2 = 0. Haga nsel,2 = nsel,1 + I2
...
i. Generar ζi ∼ U(0, 1) y si ζi <n−nsel,i−1
N−i+1 entonces yi ∈ s y Ii = 1 encaso contrario Ii = 0. Haga nsel,i = nsel,i−1 + Ii
El proceso se detiene automaticamente cuando nsel ,i = n.
Ejemplo en excel Fan-Muller.Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos2. Muestreo Bernoulli. Ber(N , π)
p(si ) = π.π . . . π︸ ︷︷ ︸ns veces
(1− π)(1− π) . . . (1− π)︸ ︷︷ ︸N−ns veces
p(si ) =
{πns (1− π)N−ns Para toda muestra de tamano ns elementos sin repocision
0 en otro caso
(2)π se fija a priori por experiencia y es igual para todos los elementosde U, notese que ns es un tamano de muestra aleatorio que puedeincluir a todos o a ningun elemento en la muestra.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos2. Muestreo Bernoulli. Ber(N , π)
p(si ) = π.π . . . π︸ ︷︷ ︸ns veces
(1− π)(1− π) . . . (1− π)︸ ︷︷ ︸N−ns veces
p(si ) =
{πns (1− π)N−ns Para toda muestra de tamano ns elementos sin repocision
0 en otro caso
(2)π se fija a priori por experiencia y es igual para todos los elementosde U, notese que ns es un tamano de muestra aleatorio que puedeincluir a todos o a ningun elemento en la muestra.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos2. Muestreo Bernoulli. Ber(N , π)
p(si ) = π.π . . . π︸ ︷︷ ︸ns veces
(1− π)(1− π) . . . (1− π)︸ ︷︷ ︸N−ns veces
p(si ) =
{πns (1− π)N−ns Para toda muestra de tamano ns elementos sin repocision
0 en otro caso
(2)π se fija a priori por experiencia y es igual para todos los elementosde U, notese que ns es un tamano de muestra aleatorio que puedeincluir a todos o a ningun elemento en la muestra.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Bernoulli2. Mecanismo de seleccion
1 Fijar el valor de π tal que 0 < π < 1.
2 Asignar ξk ∼ U(0, 1) para todos los elementos de U.
3 El elemento k pertenece a la muestra si ξk < π. Ası laprobabilidad de que el k-esimo elemento pertenezca a lamuestra es igual a π.
Ejemplo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Bernoulli2. Mecanismo de seleccion
1 Fijar el valor de π tal que 0 < π < 1.
2 Asignar ξk ∼ U(0, 1) para todos los elementos de U.
3 El elemento k pertenece a la muestra si ξk < π. Ası laprobabilidad de que el k-esimo elemento pertenezca a lamuestra es igual a π.
Ejemplo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Bernoulli2. Mecanismo de seleccion
1 Fijar el valor de π tal que 0 < π < 1.
2 Asignar ξk ∼ U(0, 1) para todos los elementos de U.
3 El elemento k pertenece a la muestra si ξk < π. Ası laprobabilidad de que el k-esimo elemento pertenezca a lamuestra es igual a π.
Ejemplo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Bernoulli2. Mecanismo de seleccion
1 Fijar el valor de π tal que 0 < π < 1.
2 Asignar ξk ∼ U(0, 1) para todos los elementos de U.
3 El elemento k pertenece a la muestra si ξk < π. Ası laprobabilidad de que el k-esimo elemento pertenezca a lamuestra es igual a π.
Ejemplo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo Bernoulli2. Mecanismo de seleccion
1 Fijar el valor de π tal que 0 < π < 1.
2 Asignar ξk ∼ U(0, 1) para todos los elementos de U.
3 El elemento k pertenece a la muestra si ξk < π. Ası laprobabilidad de que el k-esimo elemento pertenezca a lamuestra es igual a π.
Ejemplo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos3. Muestreo Sistematico. SIS(N , n, r)
Cuando no se dispone de un marco de muestreo de maneraexplıcita pero se sabe que la poblacion esta ordenada por un rotuloen particular. Por ejemplo, los hogares dentro de una manzanaestan ordenados por su direccion o numero de apartamento.
p(si ) =
1
(ar)Con una muestra por aj , ak , r = 2 elementos
0 en otro caso
(3)N = an + r , el tamano de muestra se define como la parte enteradel cociente N/a.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Ejemplos3. Muestreo Sistematico. SIS(N , n, r)
Cuando no se dispone de un marco de muestreo de maneraexplıcita pero se sabe que la poblacion esta ordenada por un rotuloen particular. Por ejemplo, los hogares dentro de una manzanaestan ordenados por su direccion o numero de apartamento.
p(si ) =
1
(ar)Con una muestra por aj , ak , r = 2 elementos
0 en otro caso
(3)N = an + r , el tamano de muestra se define como la parte enteradel cociente N/a.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo SistematicoMecanismo de seleccion
1 Seleccionar con probabilidad 1a un arranque aleatorio. Es decir,
un valor q tal que 1 ≤ q ≤ a.
2 La muestra estara definida por el siguiente conjunto:
sq = {k : k = q + (j − 1)a; j = 1, . . . , ns}
Ejemplo: Tabla aleatoria
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo SistematicoMecanismo de seleccion
1 Seleccionar con probabilidad 1a un arranque aleatorio. Es decir,
un valor q tal que 1 ≤ q ≤ a.
2 La muestra estara definida por el siguiente conjunto:
sq = {k : k = q + (j − 1)a; j = 1, . . . , ns}
Ejemplo: Tabla aleatoria
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo SistematicoMecanismo de seleccion
1 Seleccionar con probabilidad 1a un arranque aleatorio. Es decir,
un valor q tal que 1 ≤ q ≤ a.
2 La muestra estara definida por el siguiente conjunto:
sq = {k : k = q + (j − 1)a; j = 1, . . . , ns}
Ejemplo: Tabla aleatoria
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
Muestreo SistematicoMecanismo de seleccion
1 Seleccionar con probabilidad 1a un arranque aleatorio. Es decir,
un valor q tal que 1 ≤ q ≤ a.
2 La muestra estara definida por el siguiente conjunto:
sq = {k : k = q + (j − 1)a; j = 1, . . . , ns}
Ejemplo: Tabla aleatoria
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de primer orden del elemento k
πk =∑k∈si
p(si ) (4)
Sea:
Ik =
{1 si k ∈ s
0 en otro caso
Entonces πk = P(Ik = 1)ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de primer orden del elemento k
πk =∑k∈si
p(si ) (4)
Sea:
Ik =
{1 si k ∈ s
0 en otro caso
Entonces πk = P(Ik = 1)ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de primer orden del elemento k
πk =∑k∈si
p(si ) (4)
Sea:
Ik =
{1 si k ∈ s
0 en otro caso
Entonces πk = P(Ik = 1)ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de primer orden del elemento k
πk =∑k∈si
p(si ) (4)
Sea:
Ik =
{1 si k ∈ s
0 en otro caso
Entonces πk = P(Ik = 1)ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de segundo orden de loselementos k y l
πkl =∑k,l∈si
p(si ) (5)
Entonces πk,l = P(Ik Il = 1)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de segundo orden de loselementos k y l
πkl =∑k,l∈si
p(si ) (5)
Entonces πk,l = P(Ik Il = 1)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Definicion
Se define probabilidad de inclusion de segundo orden de loselementos k y l
πkl =∑k,l∈si
p(si ) (5)
Entonces πk,l = P(Ik Il = 1)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Probabilidades de Inclusion
Assumption
1 πkk = πk .
2 Por definicion de muestra probabilıstica πk > 0.
3 En muestreo de elementos πk para todo k = 1, . . . ,N sonconocidos de antemano.
ejemplo MAS
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica y Estimador
Definicion
Cuando una estadıstica se usa para estimar un parametro sedenomina estimador y las realizaciones de este en una muestraaleatoria se denominan estimaciones. Sea θ una estadıstica oestimador entonces bajo el diseno muestral p(·) se define:
1 Valor esperado: EP(θ) =∑
S p(si )θ
2 Sesgo: B(θ) = EP(θ)− θ
3 Varianza: VP(θ) =∑
S p(si )[θ − E (θ)
]2
4 Error Cuadratico Medio: ECM(θ) = V (θ) + B2(θ)
5 Error estandar:
√VP(θ)
6 Coeficiente de variacion (error relativo):
√VP(θ)
EP(θ)
7 Coeficiente de variacion estimado: cve( %) = 100 ∗√
VP(θ)
θ
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
E (Ik) =∑S
p(si )Ik(si )
=∑k∈si
p(si )
= πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
E (Ik) =∑S
p(si )Ik(si )
=∑k∈si
p(si )
= πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
E (Ik) =∑S
p(si )Ik(si )
=∑k∈si
p(si )
= πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
V (Ik) =∑S
p(si ) [Ik(si )− E (Ik(si ))]2
=∑S
p(si )I 2k (si )− 2
∑S
p(si )Ik(si )πk +∑S
p(si )π2k
= πk − 2π2k + π2
k
= πk(1− πk)
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
V (Ik) =∑S
p(si ) [Ik(si )− E (Ik(si ))]2
=∑S
p(si )I 2k (si )− 2
∑S
p(si )Ik(si )πk +∑S
p(si )π2k
= πk − 2π2k + π2
k
= πk(1− πk)
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
V (Ik) =∑S
p(si ) [Ik(si )− E (Ik(si ))]2
=∑S
p(si )I 2k (si )− 2
∑S
p(si )Ik(si )πk +∑S
p(si )π2k
= πk − 2π2k + π2
k
= πk(1− πk)
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
Cov(Ik , Il) =∑S
p(si ) (Ik(si )− πk) (Il(si )− πl)
=∑S
p(si )Ik(si )Il(si )− πl∑S
p(si )Ik(si )
− πk∑S
p(si )Il(si ) + πkπl∑S
p(si )
=∑k,l∈si
p(si )− πl∑k∈si
p(si )− πk∑l∈si
p(si ) + πkπl
= πkl − πkπl − πkπl + πkπl
= πkl − πkπl= ∆kl
ejemplo MAS, ejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
Cov(Ik , Il) =∑S
p(si ) (Ik(si )− πk) (Il(si )− πl)
=∑S
p(si )Ik(si )Il(si )− πl∑S
p(si )Ik(si )
− πk∑S
p(si )Il(si ) + πkπl∑S
p(si )
=∑k,l∈si
p(si )− πl∑k∈si
p(si )− πk∑l∈si
p(si ) + πkπl
= πkl − πkπl − πkπl + πkπl
= πkl − πkπl= ∆kl
ejemplo MAS, ejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica Ik
Ejemplo
Cov(Ik , Il) =∑S
p(si ) (Ik(si )− πk) (Il(si )− πl)
=∑S
p(si )Ik(si )Il(si )− πl∑S
p(si )Ik(si )
− πk∑S
p(si )Il(si ) + πkπl∑S
p(si )
=∑k,l∈si
p(si )− πl∑k∈si
p(si )− πk∑l∈si
p(si ) + πkπl
= πkl − πkπl − πkπl + πkπl
= πkl − πkπl= ∆kl
ejemplo MAS, ejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica ns
Ejemplo
E (ns) =∑S
p(si )ns
=∑S
p(si )∑U
Ik
=∑U
∑S
p(si )Ik
=∑U
∑k∈si
p(si )
=∑U
πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica ns
Ejemplo
E (ns) =∑S
p(si )ns
=∑S
p(si )∑U
Ik
=∑U
∑S
p(si )Ik
=∑U
∑k∈si
p(si )
=∑U
πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
2. Estadıstica ns
Ejemplo
E (ns) =∑S
p(si )ns
=∑S
p(si )∑U
Ik
=∑U
∑S
p(si )Ik
=∑U
∑k∈si
p(si )
=∑U
πk
ejemplo MASejemplo BER
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Parametros de interes
Para un universo U de tamano N, sea y la caracterıstica de interes,entonces podrıamos estar interesados en:
1 Total: ty =∑
U yk (personas con cierta enfermedad)
2 Media: yU =∑
U ykN =
tyN (dinero)
3 Proporcion: pU =∑
U ykN =
tyN para yk = {1, 0} (desplazados)
4 Razon:R =tytz
. Unidades del producto por establecimientocon la intencion de venderlo.
Notese que todos los parametros pueden ser expresados comofuncion de totales, por tanto hay un particular interes encontrarestimadores para este parametro.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)
Para un universo U se desea estimar el total de una caracterısticade interes y denotado como ty . Por ejemplo,
Definicion
Para θ = ty =∑
U yk se define:
θ = ty ,π =∑si
ykπk
1πk
se denomina Factor de expansion
Cada elemento se representa a sı mismo y a una fraccion de lapoblacion.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)
Para un universo U se desea estimar el total de una caracterısticade interes y denotado como ty . Por ejemplo,
Definicion
Para θ = ty =∑
U yk se define:
θ = ty ,π =∑si
ykπk
1πk
se denomina Factor de expansion
Cada elemento se representa a sı mismo y a una fraccion de lapoblacion.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)
Para un universo U se desea estimar el total de una caracterısticade interes y denotado como ty . Por ejemplo,
Definicion
Para θ = ty =∑
U yk se define:
θ = ty ,π =∑si
ykπk
1πk
se denomina Factor de expansion
Cada elemento se representa a sı mismo y a una fraccion de lapoblacion.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Propiedades
Resultado
E (ty ,π) = ty demost.
V (ty ,π) =∑∑
U ∆klykπk
ylπl
V (ty ,π) =∑∑
si∆klπkl
ykπk
ylπl
∆kl = πkl − πkπl , ademas E (V (ty ,π)) = V (ty ,π)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Aleatorio Simple
Resultado
ty ,π =∑
siykπk
= Nn
∑si
yk
VMAS (ty ,π) = N2
n
(1− n
N
)S2yU
VMAS (ty ,π) = N2
n
(1− n
N
)S2ysi
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Aleatorio Simple
Resultado
ty ,π =∑
siykπk
= Nn
∑si
yk
VMAS (ty ,π) = N2
n
(1− n
N
)S2yU
VMAS (ty ,π) = N2
n
(1− n
N
)S2ysi
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Aleatorio Simple
Resultado
ty ,π =∑
siykπk
= Nn
∑si
yk
VMAS (ty ,π) = N2
n
(1− n
N
)S2yU
VMAS (ty ,π) = N2
n
(1− n
N
)S2ysi
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Aleatorio Simple
Resultado
ty ,π =∑
siykπk
= Nn
∑si
yk
VMAS (ty ,π) = N2
n
(1− n
N
)S2yU
VMAS (ty ,π) = N2
n
(1− n
N
)S2ysi
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimador de Horvitz-Thompson (1952)Muestreo Bernoulli
Resultado
ty ,π =∑
siykπk
=∑
siykπ
VBer (ty ,π) =(
1π − 1
)∑U y 2
k
VBer (ty ,π) = 1π
(1π − 1
)∑si
y 2k
Ejercicio: Para los ejercicios hechos en clase de MAS y Bernoullicalcule ty ,π y VBer (ty ,π), este ultimo vıa definicion y por elestimador dado por la expresion. Para ambas expresionescompruebe el insesgamiento del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Estimacion de la media poblacionalMuestreo Aleatorio Simple
Resultado
yU =ty,πN
VMAS(yU) = 1n
(1− n
N
)S2yU
VMAS(yU) = 1n
(1− n
N
)S2ysi
Al factor(1− n
N
)se le conoce como factor de correccion para
poblaciones finitas.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Observacion
Remark
Sarndal, et.al. (1992, pag. 47) menciona que la expresion
V (ty ,π) =∑∑
si
∆kl
πkl
ykπk
ylπl
puede producir estimaciones negativas de la varianza para algunasconfiguraciones de muestra, para evitarlo se debe garantizar que∆kl = πkl − πkπl < 0 para k 6= l lo cual se tiene para los disenosde muestra fijo.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Ejemplo: Diseno NO convencional aplicandoπ-Estimador
Ejemplo
Considere una poblacion de tamano N = 3, U = {1, 2, 3}. Seas1 = {1, 2}, s2 = {1, 3}, s3 = {2, 3}, s4 = {1, 2, 3} conP(s1) = 0,4, P(s2) = 0,3, P(s3) = 0,2 y P(s4) = 0,1.
a. Calcule todos los πk y πkl .
b. Encuentre el valor de E (ns) de dos formas: por calculo directousando la definicion y por uso de la formula que expresa aE (ns) como funcion de πk .
c. Usando la definicion, calcular el valor esperado y la varianza delπ-estimador.
d. Calcule la varianza estimada V (tyπ) para cada una de lascuatro muestras posibles. ¿Es este un estimador insesgado de lavarianza real?.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Ejemplo: Diseno NO convencional aplicandoπ-Estimador
Ejemplo
Considere una poblacion de tamano N = 3, U = {1, 2, 3}. Seas1 = {1, 2}, s2 = {1, 3}, s3 = {2, 3}, s4 = {1, 2, 3} conP(s1) = 0,4, P(s2) = 0,3, P(s3) = 0,2 y P(s4) = 0,1.
a. Calcule todos los πk y πkl .
b. Encuentre el valor de E (ns) de dos formas: por calculo directousando la definicion y por uso de la formula que expresa aE (ns) como funcion de πk .
c. Usando la definicion, calcular el valor esperado y la varianza delπ-estimador.
d. Calcule la varianza estimada V (tyπ) para cada una de lascuatro muestras posibles. ¿Es este un estimador insesgado de lavarianza real?.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Ejemplo: Diseno NO convencional aplicandoπ-Estimador
Ejemplo
Considere una poblacion de tamano N = 3, U = {1, 2, 3}. Seas1 = {1, 2}, s2 = {1, 3}, s3 = {2, 3}, s4 = {1, 2, 3} conP(s1) = 0,4, P(s2) = 0,3, P(s3) = 0,2 y P(s4) = 0,1.
a. Calcule todos los πk y πkl .
b. Encuentre el valor de E (ns) de dos formas: por calculo directousando la definicion y por uso de la formula que expresa aE (ns) como funcion de πk .
c. Usando la definicion, calcular el valor esperado y la varianza delπ-estimador.
d. Calcule la varianza estimada V (tyπ) para cada una de lascuatro muestras posibles. ¿Es este un estimador insesgado de lavarianza real?.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Ejemplo: Diseno NO convencional aplicandoπ-Estimador
Ejemplo
Considere una poblacion de tamano N = 3, U = {1, 2, 3}. Seas1 = {1, 2}, s2 = {1, 3}, s3 = {2, 3}, s4 = {1, 2, 3} conP(s1) = 0,4, P(s2) = 0,3, P(s3) = 0,2 y P(s4) = 0,1.
a. Calcule todos los πk y πkl .
b. Encuentre el valor de E (ns) de dos formas: por calculo directousando la definicion y por uso de la formula que expresa aE (ns) como funcion de πk .
c. Usando la definicion, calcular el valor esperado y la varianza delπ-estimador.
d. Calcule la varianza estimada V (tyπ) para cada una de lascuatro muestras posibles. ¿Es este un estimador insesgado de lavarianza real?.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
3. Ejemplo: Diseno NO convencional aplicandoπ-Estimador
Ejemplo
Considere una poblacion de tamano N = 3, U = {1, 2, 3}. Seas1 = {1, 2}, s2 = {1, 3}, s3 = {2, 3}, s4 = {1, 2, 3} conP(s1) = 0,4, P(s2) = 0,3, P(s3) = 0,2 y P(s4) = 0,1.
a. Calcule todos los πk y πkl .
b. Encuentre el valor de E (ns) de dos formas: por calculo directousando la definicion y por uso de la formula que expresa aE (ns) como funcion de πk .
c. Usando la definicion, calcular el valor esperado y la varianza delπ-estimador.
d. Calcule la varianza estimada V (tyπ) para cada una de lascuatro muestras posibles. ¿Es este un estimador insesgado de lavarianza real?.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Definicion
Se realizan m eventos aleatorios con probabilidad contante 1/N, esdecir se selecciona uno de los N elementos, se realiza su medicionyk1 , se repone en el universo y se selecciona de nuevo uno de los Nelementos con medicion yk2 y ası sucesivamente hasta completar melementos. Sea:
Z : Numero de veces que el elemento k aparece en la muestra
Z = 0, 1, . . . ,m
Z ∼ Bin(m, 1/N)
P(Z = r) =(mr
)(1/N)r (1− 1/N)m−r
P(Z = 0) = (1− 1/N)m
πk = P(Z ≥ 1) = 1− P(Z = 0) = 1− (1− 1N )m
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo con Reemplazamiento.Muestreo Proporcional al Tamano PPT (pk ,m)
Una generalizacion conduce al diseno de Probabilidad Proporcionalal Tamano (PPT) cuando cada elemeto se selecciona conprobabilidad pk , tal que
∑U pk = 1. Para este diseno se debe
contar con informacion auxiliar disponible para todos los elementosde U, este diseno tienes varios beneficios entre los que seencuentra que reduce costos y que su uso es relativamente simple.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Algoritmo de Seleccion: Acumulativo Total
Ejemplo
Suponga que U = 9, para un estudio de mercados se deseaseleccionar una muestra de 4 tiendas, pero basado en lainformacion auxiliar se desea darle mas peso a las tiendas quetienen una mayor rotacion del producto. La informacion auxiliarpara las 9 tiendas es:
Tienda Ventas Unid1 322 963 654 1405 226 787 658 479 106
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimacion - π-Estimador
La muestra ordenada es de tamano m mientras que la muestra noordenada (sin repeticion) es de tamano n.
Resultado
ty ,π =∑si
ykπk
=∑si
yk1− (1− pk)m
El estimador cuenta con n sumandos, es decir, que los elementosrepetidos solo cuentan una vez dentro del estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimador de Hansen-Hurwitz (1943)
Resultado
ty ,MCR =1
m
m∑i=1
ykipki
donde pki es la probabilidad de seleccion del elemento k . Cadaelemento se representa ası mismo y al resto del universo →promedio.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimador de Hansen-Hurwitz (1943)
Resultado
E(ty ,MCR
)= E
(1
m
m∑i=1
ykipki
)
=1
mE
(∑U
ykpk
Zk
)
=1
m
∑U
ykpk
E (Zk)
=1
m
∑U
ykpk
mpk
=∑U
yk = ty
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimador de Hansen-Hurwitz (1943)
Resultado
E(ty ,MCR
)= E
(1
m
m∑i=1
ykipki
)
=1
mE
(∑U
ykpk
Zk
)
=1
m
∑U
ykpk
E (Zk)
=1
m
∑U
ykpk
mpk
=∑U
yk = ty
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimador de Hansen-Hurwitz (1943)
Resultado
E(ty ,MCR
)= E
(1
m
m∑i=1
ykipki
)
=1
mE
(∑U
ykpk
Zk
)
=1
m
∑U
ykpk
E (Zk)
=1
m
∑U
ykpk
mpk
=∑U
yk = ty
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Estimador de Hansen-Hurwitz (1943)
Resultado
V(ty ,MCR
)= 1
m
∑U pk
(ykpk− ty
)2
V(ty ,MCR
)= 1
m(m−1)
∑mi=1
(ykipki− ty ,MCR
)2
E(
V(ty ,MCR
))= V
(ty ,MCR
)
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Ejemplo
Ejemplo
Para el estudio de mercados suponga que so = {4; 7; 7; 9};pk = {0,215; 0,1; 0,1; 0,163} y que los valores de las ventassemanales recolectados los establecimientos seleccionados fueronyk = {12; 7; 7; 11}
1 Usando el π−estimador, estime el total de ventas semanales(demanda) del producto en las nueve tiendas.
2 Usando el MCR−estimador, estime el total de ventassemanales (demanda) del producto en las nueve tiendas ycalcule el cve..
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Ejemplo
Ejemplo
Para el estudio de mercados suponga que so = {4; 7; 7; 9};pk = {0,215; 0,1; 0,1; 0,163} y que los valores de las ventassemanales recolectados los establecimientos seleccionados fueronyk = {12; 7; 7; 11}
1 Usando el π−estimador, estime el total de ventas semanales(demanda) del producto en las nueve tiendas.
2 Usando el MCR−estimador, estime el total de ventassemanales (demanda) del producto en las nueve tiendas ycalcule el cve..
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Ejemplo
Ejemplo
Para el estudio de mercados suponga que so = {4; 7; 7; 9};pk = {0,215; 0,1; 0,1; 0,163} y que los valores de las ventassemanales recolectados los establecimientos seleccionados fueronyk = {12; 7; 7; 11}
1 Usando el π−estimador, estime el total de ventas semanales(demanda) del producto en las nueve tiendas.
2 Usando el MCR−estimador, estime el total de ventassemanales (demanda) del producto en las nueve tiendas ycalcule el cve..
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Notas
Remark
Es facil comprobar que V(ty ,MCR
)si yk = cpk , c constante.
Es decir, si yk es exactamente proporcional a pk . En lapractica eso es imposible !!!... primero es la probabilidad yluego la medicion..
En la practica, sea xk una variable auxiliar altamentecorrelacionada con yk ası yk/xk
.= c entonces se puede
determinar
pk =xk∑U xk
=xktx, k = 1, . . . ,N
Entre mas este correlacionado xk con yk entoncesV(ty ,MCR
)→ 0
Si los pk no varıan casi, me voy con MAS pero si varıanmucho me voy con PPT .
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Notas
Remark
Es facil comprobar que V(ty ,MCR
)si yk = cpk , c constante.
Es decir, si yk es exactamente proporcional a pk . En lapractica eso es imposible !!!... primero es la probabilidad yluego la medicion..
En la practica, sea xk una variable auxiliar altamentecorrelacionada con yk ası yk/xk
.= c entonces se puede
determinar
pk =xk∑U xk
=xktx, k = 1, . . . ,N
Entre mas este correlacionado xk con yk entoncesV(ty ,MCR
)→ 0
Si los pk no varıan casi, me voy con MAS pero si varıanmucho me voy con PPT .
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Notas
Remark
Es facil comprobar que V(ty ,MCR
)si yk = cpk , c constante.
Es decir, si yk es exactamente proporcional a pk . En lapractica eso es imposible !!!... primero es la probabilidad yluego la medicion..
En la practica, sea xk una variable auxiliar altamentecorrelacionada con yk ası yk/xk
.= c entonces se puede
determinar
pk =xk∑U xk
=xktx, k = 1, . . . ,N
Entre mas este correlacionado xk con yk entoncesV(ty ,MCR
)→ 0
Si los pk no varıan casi, me voy con MAS pero si varıanmucho me voy con PPT .
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Notas
Remark
Es facil comprobar que V(ty ,MCR
)si yk = cpk , c constante.
Es decir, si yk es exactamente proporcional a pk . En lapractica eso es imposible !!!... primero es la probabilidad yluego la medicion..
En la practica, sea xk una variable auxiliar altamentecorrelacionada con yk ası yk/xk
.= c entonces se puede
determinar
pk =xk∑U xk
=xktx, k = 1, . . . ,N
Entre mas este correlacionado xk con yk entoncesV(ty ,MCR
)→ 0
Si los pk no varıan casi, me voy con MAS pero si varıanmucho me voy con PPT .
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico
4. Muestreo PPT (pk ,m)Tarea (Ejercicio 8 del taller)
Tarea
Suponga que se tiene U = {1, 2, 3, 4, 5} y que se conocen todos losvalores de la variable de interes, que estan dados por:
Y pk
79 0.176 0.1554 0.239 0.2512 0.3
Para un muestreo con reemplazamiento con m = 3, determine si esmejor la estrategia usando π-estimador o MCR-estimador.
Giovany Babativa, MSc. Disenos de Muestreo Estadıstico