BRSEREEEES! ad TECNICAS DE MUESTREO y LON b2F WILLIAM G, COCHRAN Pre ten, Berta User COMPARIA EDITORIAL CONTINENTAL, §; A. MEXICO ‘peer BUIDORES [ESPARA~ ARGENTINA CHILE ~ VENEZUELA ~ COLOMBIAcap. 11 Las Ventajas det Método de. Musstreo 112 Algunos Usos de las Encuesta por Muesinco 1.3 Epes Prinipaes en una Encuesta por Mussico 14 Hi Papel de ta Teors del Muesteo 15 Mucsteo Probables 118 Alerativas al Mucstieo Probable 117 Uso de la Distsbucin Nevmal 1.8 EL Sesg y sus Efectos 19 11 Error Cundedtioo Medio Fjeracion 21 Muestreo Alestrio Simple 22 Sdleccién de una Muesra Alsi Simple 23 Definictoes y Notacion = 24 Propldades de ls Estimaciones 2.5 Varlanass de las Estimaciones 26 La Comeccién por Poblacion Pita 27 Estimaciéa del Exor Estindar a Pari de‘wna Moestra 28 Ligntes de Gonftanea 2.10 Muestr Aleatoro con Resteacion| 2.11 Esumaciin de una Resin 2.12 Estimaciones de Mas eo Subpeblaciones 2.13 Esumaciones de Toales en Subpetaciones 2.14 Comparacion Ent las Medias de los Dominios 2.15 Valier de Ta Aproximacion Normal ‘i 2.16 Esimadores Linealer de le Media 42” Pobiscén Bjeracion : w- 19 38 2 Pr 4 s 56 6 6 2cap. MUESTERO PARA PROPORCIOWES ¥ PORCETATES 3.4 Caracteristicas Cuatatvas : 32 Vatianza de las Eximacioncs Metrics 33 HL Blecto de P en los Erores Eatindar 34 La Disttbueién Binomial mee, 39 La Distribacién Hipergométice ©2000. 36 Limites de Confianea 3.7 Ghasiiccién en mds 6 dos Clases : 38 Limites de Conflanea Cuando Exist mio dor Clases g 89. La Disutbucin Condicional dep 3:10 Proporiones y Totales Sobre ‘Stbrhlaciones 3.11 Comparaciones Este Dominios ifeentes, 3.12 Estimacién de Proporcimae en ol Musto por Cengiomerados =” Bjeresios = z LA RTIMACION DEL TAMARO DE LA MUESTRA 41 Un Bjemplo Hlpotéeo <........ 43 Anlst dl Problema. =... z 49 La Especifcecén dela Precision 5 44 a Formula para al Hacer un hives, peri Determiner una Proparcin 45. Atributos Rares Mesto Inve 48 La Férmula para m con Dato Coninuos 47 Esumaciones Antipadss de’ Varlanzss do Po- Maclin cerescssesee pes 48° Tamato de la Must con mis do una Canc feria os ccvessere f 49 Tamano de is Muests Cuando iss Estimaciones 6 Queen para Subsiviiones dela Poblacin 410 Hi Tamano de la Muesta en Problema de De: 411 EL Etsy i Disco (Def) | Blerises wvsserswesossres oe IRSEREO ALBATORIO ESTRATIFICADO 81 Descrpeia osc secs cone 52. Noten = ‘33 Propiodades de las Eainacionea ‘54 La Vasianza Esimmadey Limes do Confcnts asaad 4 85 8 105 107 108 109 no na 15 ut 9 120 1 195 138 it 132 cap. 55 La Asigntcién puma x 5.6 Precalones Relativas del Nuesico Alestoro Es: ‘eado y del Muesueo Aleatorio Simple»... > 57 Bn que Casos Produce Ia Estatification Const- erabes Ganancias de Precision? a 58 Asignaclin que Requere mas del i00% cl Muesteo | = TEA 59. Esimacion el Tamato dea Missin con Datos Cention F 5.10 Muesteo Estaiticado para fe ‘511 Ganancias en Predsién en el Muestce Howat feado pata Proporcones ‘ 5.19 Estimatién del Tamao de Nuesir con Propo: Ejeraios aria aes es QTROS ASPECTOS DEL MUESTREO ESTRATIFL capo sae z 2 5A. Efectos de las Desvisclonts & Patc de la Asi: nacién Optima sss 5A2 Hlectos de Bore ‘x loe Tamas de ios Ex ‘wats 543 H Protea dela Asignacén’ cn ms de una Carctristicn SAA Ouoe Métodos de Asignacién cat iis de wh Azibute g OT AAs 98.5 Estratifiaci en dow Discciones, con Meuzas Pequesas SAG Seleciéa Contrada 2... Ha 5A7 La Constucein do los Eataios a 588 Numero de Estate ress 5A9 Estatificacién Después dois Slatin de ta Murra (Posteteatiensiin) 3 SA.20 Mucsteo por Gusta pasereeee SALI Extimacén a Parur de ing Mia de la Gs: nancia Debida a la Esraficacon ‘98.12 Estimacin de la Varianza con una Ualdad por 58.19 Estrats come Dominios de Edo 5A. Estimaciin de Totalor y Medias Sobre Subp Dlaconet 5 Pls, 133 136 138 aa 143 43 ur 49 uo 135 157 1680 181 165 187 169. ie 18 170 181 14 186cap. 5A.15 Muestreo a Paticde dos Marcos Eyericice UESTIMADORES DE RAZON 8.1 Modes de Extimacion i 62 HI Extmador do Randa 3 Varianza Aproximada de la Eaiaca Je Razin 64 Exsmacion dea Vsiana a Part de una Mostra 65 Limiter de Conia 6 Comparscin del Extmacis e Ran ‘on ta Matis por Unidad : 6-7 Condiciones Bajo as Cuais of Btmindce de Raia un Estado Isesgao Lineal Opto 8 Stogo co tatimacoa de Rass 69 Exact de las Fol pare i Vaasa Bs timada 2 610 Extmaciones do Razin en Muesiso “Aleaaio Eouatficad 6.1 La Eximacon dian Coca 12 Comparacdn. de las Extimaciones Separadas"y Combinada : 6.13 Gieulo Abeviado dein Varian Estinada 6.8 Asigscia Optima con una Estacion de Rast 6.15 Estaciones Tsesgades del Tipo de Ranta, 6:16 Comparcin de los Métodoe 617 Estacion Mejoeada dela Varanza -.., 6.18 Comparacén de dos Razmmes 3 619 Razin de dor Razmnes 620 Estimaciones de Renin Malivaaics 621 Extimadore Produce Bjacicoe mesic TA La Betimacién da Regresién Lineal 72 Esuaciones de Rogresn con b Preasignada 73 Estimaciones de Regresin Cuando b se Calcula 4 Parar de la Mestrn, 7-4 Estimsclin de Muesta de ia Vaianza 75 Comparacin on Nests Grandes oon la Eat ‘macion de Raaén y la Media por Uaidad 169 180 195 196 108, 201 200 204 207 209 an. 213) au 27 20 22 a7 229 232 234 235 29 241 an 45 246 7.6 Exact de las Férmulas de Muctras Grandes Para V3.) ¥ 965) oo ‘17. Sesyo do ia Enimacion de Hegresion Lineal 78 HL Bstimador de Regreséa Lineal ea un Noda de Regen Lineal - 79 Estimsciones de Regresiéa’ en Mucins Esta: ead te 710 Coefcentes de Resresin Estos dela Mesa 7A Comparacin de los dor Tipoe de Estimacones ie Regesion i Byer cheveaa MUESTREO SISTEMATICO A Deseripeiéa 82 Relacon con e Miuereco Gonglomerado ‘83 Varianza dla Media Extnada ‘84 Comparacion del Muerto Sstemitco” con’ et ‘Moesteo Aletorio Estratieada 85. Poblaciones en Orden Aleatclo 8.6 Poblacones con Tendenca Lineal ©... 8.7 Méados para Pelaciones que Presitan Tendon: clas Lincalee i 88 Poblsciones con Vaviaciéa Pesca 89 Poblaciones Autocoreacionadat 8.10 Poblacines Naturales y 8.11 Estimacion de la Vaetanzd @ Parr de una sola Moers ‘8.12 Mucstreo Sistendic Ratatiicado 8.13 Muestto Sistenio en dos Dimensicnes 814 Resumen Fjerccion ‘ ce FA: CONGLOMERADOS DEL MISMO TAMARO. 8.1 Motives del Mueste por Conglomeradoe 82 Una Regla Simple a 93 Comparacones de Preity Hickaa a Pare dp Datos de Enevestes 94 Varlanza en Téemince de 1a Cotacién Beat de Conglomerados ec ‘95 Funconee dela Vatanza . ne aa 249 250 251 252 254 255 257 260 28 oma 232 253 2s 272 PTO OPE COC Te ee eee eee ee ce. oa 96 Una Func de Contos ! 87 Muesteo Conglomerado para Proporcionss Bjertctos IESE MUBSTREO CONGLOMERADO DE UNA ETAPA: ‘CONGLOMERADOS DE TAMAROS DESIGUALES 94.1 Unidades Conglomerador de Tamas Desiguates 9A2 Muesteo con Probabiidad Proporclonal al Taam on tan a AS. Seleocn con Prebabilidader Desigiles con AS La Medida Optima del Tamaio | AS Exactoaes Relatives de las Tres Téhicas 8AG Muesteo con Probablidadee Tesigraloe sin Festuca aera 94.7 EL Estimador de Horvit Thompson ‘ SAB EL Mésodo de Brewer 3 949 EL Nétodo de Murthy ©...” rs 4.10 Métodos Relaconades con ei Muestco Sina: smatco 84.11 EI Método de Rae, Hartley, Gocbcan 94.12 Comparacones Naméias na ‘94.18 Estimacioes Estratiicadasy de Ravin jeri SUEMUESTIED CON UMDADES DE TASAROS TQUALES ereeene Serer 10.1. Mussieo en dot Biapas ! 102 Determinaciin de Medhas y Varian en Mes tweo de dos BUpis cesses 103 Varianaa de la Media Estiada to Muesteo 8 dor Bispas = ; 104 Extimacin Muestal de ia Varones 105 La Estimacion de Properciones 108 Fracciones Optinas de Mucsttso Submucseo 10.7 Bstimacin de mgr de un Reconocimiento Pl 108 Mucstteo de Tres Epes sn & 109 Maestro Eswatiicade de las Unidas | 10.10 Astgnaciin Optima con Muesteo Estailicado Ejerictos os é an aa 316 316 320 3a 333 28 9 331 330 340 ua aS 346 349 355, 356 37 cop. ‘L SUBMUESTREO CON UNIDADES DE DIFEREN. ‘TEs TAMAROS : 111 Ingodeién “ “ 313 Métados de Nicestteo Cuando n =i". 113° Mussneo con Probaiided Proporconai ‘al Ta: maf Estinado ves sccs 344 Resumen dels Modis pats wi. 415. Métedos de Muestrv0 Cuando #51.) 118 Doe Resultados Uties, U7 Unidades Selecclonadas con Probublidadss gua: les: Estimador Inseegad 44.8 Unidades Seecconades con Probabidaes igus: Jes; Extimacibn de la Ravin al Tamato, 118 UnidadesSclccionadae con Prcbabilidads gus Jes y con Restucién: Extimador Ins 1110 Seeclin de las Unidad sin Restacion 11.11 Comparachin de los Matedas 1133 Razones a Our Variable 11413 Bcc de Fracclones de Macsieo y Subnies- teeo, Probabdidades Igules «nen 1144 Probebiidades de Seleseise Opiaiay Tasas do Musto y Sabmuestco at 11.5 Muestreo Esratifieado Estimadones Unseen 1148 Muesteo Estratiicade,Enimaciones de fee LAT Estimadores no Lneales en Encuestas Coepgjas 1.48 Desarrollo ea Series de Taylor - 1110 Replicas Repedas quiibradas - 11.20 EL metodo Jackintte : 11.1 Comparscén dels Ties Midas MUESTREO Donte . 1B Desxpein deta Téeuta 1-0 322 Mucstro Doble para Estatiicacn, 123° Asignaciin Optina - 124 Vaslanza Estimida en Mest Dele pasa Es. swatiieaiin 125. Muestzo Doble para Comparicionas Avalidcar 126 Estimadores do Regressa 12.7 Asignacion Optima y Comparaciéecoa at Mies. tteo Simple = 29 381 265 37 386 368 a8 arr 379 380 0 386 287 38 380 300 30a 398 4400 306 408 a acep 128 Vanianea Estima weston eee 129° Entimadores de Rania 1240 Mucstreo Repetio de In Misa Pblacide 12:11 BMuesteo en dos Ocasiones no 1218 Muestreo en mds de dos Ocastones 2. 1219 Simplicaconery Adlantoe Ulteioves Ejerictce : : x Muesteo Doble para Re- FUENTES DE ERROR EN LAS ENCUESTAS 121 Inoduccia 182 Efeets de la noRespussea 133 Tips de noRespuerte 134 Revistas s 135 Un Modelo ‘atomic deine Bidsios “Seas 186 Fraccién Optima de Moctaeo Entre ice uo'so Responden 127. Afustes por Sega sin Revi : 138. Un Modelo Matemdico para Haute de Modi 139 _Brecios dal Sesgy Constante 1840 Etectos do Eres no Cordacctadoy Desig e ta Muss i 1811 Efectos de la Coriacin’tneamacattl Baie nores de’ Medici 1012 Resumen de los Efectos de Exores &s Nediccn 1813 El Eatudio de toe Ertores de Meee, 13:14 Medicones Repetdas de Sabet 12.18 SubmoestrasInerpeneteniee 18.6 Combizacén dela Imerpenetracin y ia ick in. Mepetida 1317 Prog 1318 Laden 13.19 Resumen Ejerciine “17 Bincrocnarta 2.11 Resrurstas a tos Ejencicos Inter Atsantnice a6 a7 a8 20 43 26 a 435 436 40 a2 a “8 452 455, 460 ios a8 400 an 2 a5 0 403 407 505 carrroto 1onto reducido ‘Sloe datoe se obenen inicamente de una pequefiatracion del total, os gastos son menores gue ls que se vealarian a se Hevara 2 cabo un censo completo. En poblaciones muy grandes te eden htener resultados lo suficlentemente exactor cuando ee analizan Imuestas qu represetan slo una pequea fraccn dela pobacin, [En os Estados Unidos las lnvesigaclons peréceas més importan tes lab Mera a cabo ol Gobierno, que usa muesuas de alrededor de 105 000 personas o sea aproximadamante, una petsonn por cada 1240, Lay encuestae realizadas para obtener ‘nformacign en. cone: incon ls ventas campafas da publicidad en Ia investigacin de Imereador, pueden emplear mnstres de Slo uns cunntos miles de obseracienes. Mayor repidce Por la misma raaén, los datos pueden ser reclectadon y res ‘midos més rapdamente con una muestra que con una ensmeracion completa. Esta ex uns consideraciin vital coando se necelta Ia Intormacin con urgencin, ‘Mis posibilidades Para obtener la tnformacién en clertor poe de encuestat, so tuilizan ls seveios de personal sltamente ealiiade o equipo muy ‘specilizdo de dispenibilidad limita. Por lo tanto, en ext casoe ‘eens completo es impracticable y como atemativa ala abtenléa fe datos por muesteo, solo existe a de no obtenelo. De ahi que 1s encuestas basadas'en el mucsreo denen iis pesbilidades fleahlidadvespecto ala informacion que puede obtenere. Por ot Pate, se desea una informscén exacts de muchas subdvsones de 1a pebacin, el tamatio de Ia muestra requerida es en ocasiones tl tande que la mejor open es Ia enumeracin couples Mayor exacttod Dbido a que al reducir el volumen de trabajo se pusdeemplear| personal mis eapacitado y someteto a un entrenamento intensino Y debido tabi a queen ext condiciones ser Tactile la super. sin cudadosa del abajo de eampo y det proceramienta de lo fenultados, una massa pusde prodeir resultados mis exarton que Ia enumeracion complete 12 ALGUNOS US0S DE LAS ENCUEST POR MUESTREO 2 _ sce a Paain naceal en tes lester ok ‘cola y 1a utilizacién de la terra, = ee ponte, Whee ch eo sana Semen tater ae om i pcs eta em ‘muctreo para aumentar la rapier de a publicacéa de eee os Kas tabulacones preliinares para muchos stributos leprae tes, obtnidas por mest, se pubicaren un aho' mio ante oesGuedes paneer y dng enevety por mune es SE pre ferent tay eral ninterumpdo dean aioe oe sheets J st imtsasutean o must para eumentr cone Ge Setaconeslermen Las sop ee atcanoy a Called y de muciteo de accpacéa yacine feet repens ote Rr cbamence, lt decreed det erteate a Ht mula ya equ, trois a J Elder dl taba “el cope sae tans A i Personal ave atibuye su ty Secs ‘sem 3, mie guneraimene, en el moevo camp eons eti TM ee ee oe a 4 finalmente, le gguntesca encuesta sobre la efectviad de la vac una Salk. El estudio que hizo Colaan (1966) sobre la tualoed en las oportunkdades de edueacin, realizalo en ana mote ‘al de ecueas, eontenta numeroto anise de regress qua nen ‘aban las conttbctonesrelaivas dela carateriticas Ge Ik esta, “dl io frente los diferentes 43 ETAPAS PRINCIPALES EN UNA ENCUESTA POR MUESTREO {Como intoduccin a una iscustén sob e papel que desempeia a tora en una eneuesta pox muestreo, ee Gl descr brevenente Jos pasos tnvelurades en fa planescin yejecucdn de una encuest {Las encuests varan conslderahoments en su complica’ henge {area facil el tomar una muestra Ge 5 O00 tajetas culdadoanments farregiadas y mumeradas en un azciso, Peco Ia stuscion te ate desea tomar una muestra de lor residence de una Tylon Sosde ot wa un medio de tansporte fuvial a taney de le sala donde ‘no hay mapas, donde se hablan 15 dalecios ferences y Ios hablo, tes deseanfian de todo extranjero inguiiive. Prolemas que son descopcertantes en una encaesta pueden er vals © nesatentes Los pasos principales en una encuests estin agrupadee mas 0 ‘enes arbiantamente bajo 11 eneabenados 7 se cat a contra, on, Objetivos de Ia encuesta Uns exposicién clara de los cbjedvor es Io més uit, Sia exo, sfc clvidatios en una encursta comple al prescupaas pos leg detalles de a panesciony por lo tanto tomar decisiones que varen eos objeto Poblaciém bajo mute Ls palabra polacin se emplea para denominer el conjunto del us se lige la muestra, La definicon de poblaclén puede no pee, 4otar problema, por ejemplo, cuand se rnuetres un propo de fence & Jaz elécica a fin de extimar su tempo de vida promedio, Por (tts pari, on el muesteo de una poblaién de propledades agucolan te deben far las reps ara defini Io que es por emo raeety © wos bacienda, y surgen casos dudosoe al tater de hacer una de a Plc du we mores la pt a, pl oni Pacts cal seen) ee iin jth): En oon, pr rao ht ‘abe en Tas ‘stadistco puede ayudar en ext etane Métodos de mediciin ce ext la pout de eacope l mltdo de media Sinhate de ingen de In pti Los dns ected “e salod de uaa pers st Puden btn de ws Dales?@ de un examen médico. La encuest Pods empear un cuestonario ‘vtoadministrado, o un procsto de enttevistse en las que los nce, stadores simplemente len um cuestionatio, practi,» tie oa broceo en el que se permite mucha libertad en le ferma’y el odes las preguntas, La Inspecién puede ser por corco, por vile etsonles, yor telefono o por uns combinaclon de lee ee motion Se bs estudlado mucho sobre lor sndiodos de entree y see se, lemas (vénse, por ejemplo, Hyman, 1054 y Pays, (1901). {Una parte importante del abajo preliminar es la construccin de as formas de rio donde etrardn las preguntas las Tespuesian, ‘Ea cuestionaron sencls a veces ex posble precdiicar lat espe tas, es decir, cloarlas de tal modo que pueden transfect rine buenas formas de repstro se necesia preer la estnaceaa ae ioe tablas de restinence inser gu eo uilican pave succes tae lusionee. Antes de selecclonar la muestra, la poblacin debe ser dviida en partes amass unidades de mucsreo 0 unidedes Estas one, ‘tas ocasiones, exits la postlidad de egcoper lo que eet la ade de muesreo, En el muestreo do log reidentes Ge und cided ie ‘aided puede ser una person, os miembros de una fami leg ‘Peromas que viven en tna mansana, En el muestg de ete tin Sccha sacle le unidad puede ser un lte, una granje, 0 una tree e terreno cuya forma y dimensiones quedan a nuestra dseecton Frecuentomente, 1a construccin de esta sta de tnidades de ‘iusto, lamada marco, es tno de lr princlpaes problemas ae, ‘es. Con base en amargas experencas lon taoiene has aque luna actiud eres fente les listas que han sido recsectdee op forma rutineria con alin propésitoerpeifce. Aunque se secre 4 contraio esta Istassuelen ser incompletas,purismente egy is, ocontonen dupicaciones de magnitad deseonoeda, Serf die Box efemplo, la poblactin de ediores de Hinot ode rials de ‘avo Jesaro (1955) presenta un método intstesante pare cone ‘Suir un marco a partir de lag ramas de un bol frual Seleccién de In muestra Exit, acunlmente, una gran varadad de planes para selec roiag muestra. Por cada plan consderado, e puted haps eee, snnnangetitnacines del tarado de le muestn, orieade ae et woot de altel de pein deseadn Los coos mt Siero eepleado para cad plan tambidn oe compan nen st ‘omar na Ln eneuesta piloto Erde guided probar el coestionaroy ls mialos de campo SE_Detae ecal. Esto cat siempre da por renltaae mehr Susttionaio'y puede evar ots problemas qur trian eee nat Zee scala, or elemblo, qu of cvto facta mc mens acne Behr las noserpusias os dcr, la fala del enum ge ‘er Je informacin de clertas unklades de la tues ‘Resumen y anilisis de los datos ‘estas del muses de prteihdad a ten haces tes eruntades (de ener eopondo) nae "iter mu ealfcdn scans ds novos eteInformacién conseguids para encuestas futuras Cuanta mis informacion de una poblackin se tenga inicalmente, ss fill peri el lseno de una muestra que propursone sateen ‘es exactas, Toda muestra blend ex una ula potential de fess ‘muestros, por los dates que seven sobre las media, las device ‘es estinda, y la naturale de In viblida de lat mide pte {ioales, as como sobre los costs de obtencin de datos. La pedeicn de muesteo avanzard més rpidamente a ee prevé lo neceae vane unl y registrar este ipo de informacion, ay otro aspect importante en el que una muestra completa facta’ Ia cbtencion da otras posteines Las cosas munca reno: ‘como se Panearon para la cbencin de una muestra comple, Us ‘muesueador hébil apende a reconocr los ettores de efecsiin 9 ‘Devi que se eptan 14 EL PAPEL DE LA TEORIA DEL MUESTREO 1 objet de encontrar Ios pasos para una encuesta por muctrto a secalar gue el moestreo un negnto prscice ¥ cage muchas 4 diversas babiidaes. En algunos pason, como er ejemplo an ip etna de la poblacin, en la determinacn de ts Sat a tce- ety We lov mtodos de medion, y en la organaactn del (rabafo e campo, poco o nada tne que ver la teria del muestce, Acme ‘sts asuntos no se dsutirén en el resto del libro, hay gue telet ‘resents su importanca, El muesteo segoire ates en Tae Lat fies de la actividad: un wabelo medioee en tna de elas ponds sulnar oat Ia enciesta, % EL propisto de Ia tera del muestreo es que ése sea mis of lente Su cbjevo os desarellar métodbe de secede oes 4 de estimacién, que proporcenen, al meee cont posible, eine, ones con la sufcence exacttud pars mumizoe open, Este ‘ricipio de exactitud expecifica a conto minim aparcee tna y otra ver en la presentacin de la toot, Para spliear este principio, debemos ser capaces de peedecir on ualauer mina de maestros que ee somslire, Le jest {ato esperndos, Respect a la preci, no podremetprfecie Soll seri el enor de una eatimacién en unaituaclon especiaca, porque ‘to implicara el concclmieno dl verdadero valor In potocle En lugar de ello, la precision do un procedimiento de mucstico so jg al examinar la disibucién de frecuencia generads pare Las tstimaciones,supomiendo que el proceso de mucsto e aplca Ya. tins weees © ln misma poblacin. Desdo Ingo, éta er le tGenia tinder con Ta que se juzgn Ja pretoin en Ta tera estaisten, una simpiicacién adictonal que podemas hacer, cnsite en sue omer, o que ef razmable en la petca al se Gils ae eee ‘&tamafo comin, que las exmaciones de mucstrs dese) mae {thusin spresimadanente normal. Con una entmacoe tone, fr forma normal se conoce la disbuciin de fecncreke 15 MUESTREO PROBABTLSTA {Los procedimiettos de muctteo considerados en este Ubro com- artes las siguientes propledades materia X Paden dtl cnjnto de mucszas Alita &, Sie el pce es caper de ogo antes SS iin ccs, Eo iia on pln tc a pea to sn le unidaer do tucroee qu Peratose, igh CubSupongamos, por ejemplo, que la pobacion cata de sels unidades ‘mumeradas del a6: Un pocedimlento comin pera legit una mucs. tia de tamaro 2 ofrce tes posilldades §,~(1,4), (2.5), 8 G8), Notese que no se incluyen todas las postbles ists ds 9. Se selecciona una de las S, por om proces aletoro, en el que ca Steno una probabilided +, de ser elegida, En el eiemplo leior, podsamos asignar Ia misma probablided a cada muestra, Posteriomente, la sleclén se podia realizar al elegir un ndmero sleattio entre y 3, Stel numero es j, se tom la muestra Sy 4. EI método para calcula la estimacin a parte dele muestea debe ser dfindo F debe conduce «una estacin Gnica para cual (glee mucsre copelicn Podcatos Sey por chemo, ae i et Imaciin es el promiio de las mediconer coctespondicnts: «las Uoldades indivlduals de Ja rovesta, Para todo procedimlento de muestico que satistga estas cond ‘ones, polemos calcula la istrbicién de frecuencia de as ent Teaciones que genera el proceso, ef se aplica repetidamente la ‘aisma poblacién. Sabemos Ia fscuencla on que se lige cualquier ‘muestra, y sabemes como caleulst ls eetimacin «parr los datos de §. Por lo tanto, es claro que se puede deserollar ume tsoria de maestro para cada procedimicnto de ete tipo, eunqu los etales el desarrello pueda ser intencados. ‘Un mitoSo de esta late se conoce con el Bombe de muesreoprobubita, “En a priclea, rata vez se extrie una muestra de probaildad undo las 8, y lot nimeros = como se esbosb anteriormente. Es tu trabajo muy Iborowo para una gran poblactén, en la eval un Pocedimients de muestrco pueda producieillones de muestra po. ‘bles. Pr lo general, la exracién ee hace al especticar probeb. ldades de incusién en la muestra para las Unidas individuals Y extract unldades, una a It ver, 0 en grupos, hasta constr Ia ‘mantra dal tama y po deacado, Deu opus de Vista ORDO, basta saber que el quslécamee, prdriamos expecificar la subedoe sdones §, 9 ls w, siempre y cuando tuvéetmes tempo dita para hace, 16 ALITERNATIVAS AL MUESTREO PROBABILISTA ‘A continsactin veremos algunos pos comtunes de muetreo no rebut, 3, La muesrs et una pare del poblactn femente acest, Una imueta de catbon et un age abierto se puede tay 21 30 cm dela pare sper, 2: La musta se sdeciona 2 Ia vata. A mar der confos sa jla ex un labora, nvestigader puce scar satel ue alcace con ln mano, sn una planes create, 3 Con una pobacn pequeta pao hetroysnc, el nvestignder tmapeodona Ia tid de eta y rlscona unu peyote mbar de Unidades “Spe, es dec ucdades que a a enon et et ana al pomedo dela polaclén, Este maedo sgane tas lamado de fucioo de select nines! 1s uo conta eect de okntin, ea exudion Jo cals el proceso de medion ee desaandalee fence ta persona que eet endo investigadas =e © Pow ara En condiciones aecvadas cualquiera de ets méodos puede dar resultados les. Sin embargo: no son los indeadee pe desarallo de una tera de moesto, ya. que no nvlactan ane mento alesoro en el proceimieto do selcedn Goa raat ‘manera de examinar gut tan bueno pute ser une dos odes © encontrar una euacn en lesa fos rally stare Jase bra le oblate total o para una muerte eee fbidadee y pesteriormente her na compariisn. Pee set ae sim método Fela adecundo en le espana, Paste vet ma ‘hide el varlar las eonicones, En relaiga con lo enter (muesmeesprobablista y no pro ‘blstas) sfalaes que alginor de lor panes wes deer fiw que iceren lor geome s nivel uloano'o cna Nee senso, cou wijto de aigear el trabafo de eatinaciin deat ‘ea clad ol pats para dichas metiiones Se Uaron doe meee, ‘iferentes pars Is sleclén de Ia muestra. El primero, Dasa te scleccién aletoia es una aplicaciin del muestreo de pababiided Sein ol cual cada unided de la poblacién (eada formulate develo {eepuls del censo) thene Ia misma opetuniiad de ser Include lamest. Para este méiodo se consats que, como se jo anteccn ‘ene, con ayuda de Ia teorla del must y ln distbcten nero © osle predecir, en forma aproximada 'y con los datr de "usta, Ja magni del error esperado en as eatimaciaes heshas4 part do Ja muasea, ds an, en tos tems més importantes para lox quo se dsponia de los datos complete que sumiaitr el cet, es poste, hasta cierto grado verficar la exacted de ls pred: dates "I segundo método es a solacoén a propio, Esta no se detnia en deal, pero presentaba dos rasgos camunes La unidad de macs. {tro conssta en grupon de fermlarios 2 menudo elativameme grandes, Por ejemplo, en el ceo italano de 1921, el pas tents 5.354 comunas, agrupades en 214 distiog, Al extuer una muestra el 14%, los estadistoos tilanos int y Galvent selector a propéslto’ 30 distri, en lugar de 1250 somtinas. Tn segundo Iga, log 39 distitoe ‘se eligtron de tl modo que la ruetes pro. Dorconara estimaciones exacts para 7 imporantes variables de ‘cmt, euyos resultados eran cofocldos para to el palsy y cot ‘to se eseraba que la musura ders bornas outmarsna” de Lae ‘fas variables alent cortlacionadas con las de conta En Ta dévada de los 20, ob astute Exaditico Internacional ombré una comisin para studlar las ventas y desvenjas de los dos métdos. EL imforme de Jensen (1096) parecd fvorecee fl método de selecién a propésto, Sa embargo, est metodo ee Abandend relaivamente pronto com téenien de muestieo para ob lenec estimacionesnacionalas Ins encuestas que median muchas Yarlables, ya que carecia de la fletilidad que ofrecian los matodee de muestco probablistadesazllados porefonmente, no potia pe: deci a pas dela muestra la exacitad espereda en ls eatmaciones yy wsaba unidades de mucrtreo demasiado grandes, Glo Galvan omdluyern que ef método de mucetreo denominado muestsy lea: fori entaifeade (Cap. 8) que utiiea Ie comuna coma united de ‘esto, hatia dado majoras resultador que si método, LT _ USO DE LA DISTRIBUCION NORMAL En ocasioncs sil uar la palabra extimador para designs la Ja por la cual se calcula alguna cartterisica x de Ia pobcln, rare fo router i masier fe pees ae Batt el valor ebtnide do ma muestra caper Un estimator? e dado por um plan de mussro Se lata nsesgato ste valor ‘edo de f, tmnado sobre todas las muestra posts peoporionadas rel plan, es gual 2 y. En la notacién de la See. 8 pucte er bias esta comin. Bud~f wan onde 4 es la extmaciin dada por Ia 4sima mussta, El simbolo , que significa “valor esperado de" es de uso comin. ‘Como se menciond en la Sec. 14 lar mvestas en algunas en- ‘uestas son tan andes que siguen una distibucin printed ‘mente normal. Ademés, con el tnuestieo, probable tenemos ‘irmulas que dan la media y Is varlanza de as estimaciones Su Pongemos que hemos tomado una muestra por un Proceso que se ‘abe que proporciona un esimador insergadoy que hemos clelado 4a esimaciin de muestra su desvacion etindar oy (que sucle amare su erorestandar). {Qué tan buena es eta entimaclén? No ‘demos conocer el valor exacio del cron de exzhcion (A) ero por ls propledader de la cura nocal, puede experate gue 032 (en 1 easode 3)el ero absoato |p ~ p]excede op (2.08 (en 1 caso de 20)! error abecluto | ~'y|excede 1.9604 Son 0.01 (en 1 easo de 100)el emor abvoito jt ~ | excode 2.85. Por lemplo, si una muestra probubilita de lot reistros de scumoladores de Uso rucaro en une fibica muestra una Vda ‘promedio = 384 dias, con error eatindar de, 46 das, so ef [Per que en 99 de 100 casos la vida promedio en la pobatén de Feteras se ite entre 8384-05845) 392 das y os limiter, 282 das y 406 dae, se Haman Liles de confanss fafecor y superior. Con una. sola estimscin’do'una encoetta, It ‘sfrmacién esd entre 282 406 alas" no es corera con cettza [La magpitud "90% de coflanza" implica que a se Usata el miso lan de mest muchas veces en una poblacén, haclendo un ‘erunciado de confianca a pardr de cada muestra el 998 (aprox) ferian conectas y 1% extarian egulvocados Cuando el rurtree hh so intodueido en una operacn en Ia que reviamente te haya ‘ado un censo completo, una demostacin de eta propiedad aley. ‘ows votes se tee aacando muesras repels del ipo ropues de luna poblacin para la cual exsta un registro complete, de fl mane. 8 que ¢ sea conocido (vase, por clmpio,Trblcod y Cyt, 1957) 1 venfcacin prictica de que apeoximadamente la propotcin cx {ablecida de ateveraciones es correct, es stl para ecueary trans sqlza alos adminstradores respect la natucleva del miesioo ‘De modo semelante, cuando se toma una sola muesta de ada una do una serie de poblaciones diferentes, cera de un 96% de las aut. veraiones de conflanza al 95% son corrects,ot Soscts 5 Co ceca pe ay mers Se Herd san ace aeteo repeldo (See. 1119) lor ane on Peguetos ya tablet es noted 18 EL SESGO ¥ SUS EFECTOS | fren conan! Pobailided de un aor de mis de + 1.964 6 lignan OCI aver Eerie fee fq 7 A Hime inteor det iterate de tte para een ag Ba 95= 195-2 Por lo que ol tenes Pusaiies Seelante, el exten taqerdo, es de, el deea som bweada sla quierda a parce de P, dene una tne ‘ullades se muestran en le Table 1 te ana, ¢e otra la probablitad tral de cometer un sirtee wa 190 sad Baas as tec nee ee1 Gis Go Bee ce ones eee om om Pecos ees era ese. ees Pe cs seca ae a ese at ene cance ae eee ee See ee erin See areca SSeS Spaaee poo ee eee Sao eee ee eee oe ee eee Erementar eer ae oat Se aioe eerie erent eee ee fee a eee ee 1 excederd a 0.1. Por oto ado, con sesgs eausaos por erores Ge moticin o de noespaena, generalmente impose encontrat 1 lite superior para B/+ que eb pequato. Este enfadoeo probe fa ae disete en ef Cap. 13, 19. EL ERROR CUADRATICO MEDIO. | fin de comparar wn eeimador sesgado, con un estimator ine secsgndo,o bien, dor etmadores que Uenen eancidades diferentes ‘de seago, un efterso el sel del exoreuadrétce medio (ECM) det ‘esimador, meio pur dl valor de la poblacion que se esté es timando. Formalments ECM) = EG =n) ELM) +m HUE mim AIBA —m Hon? = (varacn de ) + (seneo)" Hl debe producto dasaparece, ya que E(ji~ m) = 0. 1 uso del ECM, como un cxterio de a exactitud de un estima ox, equvale a cosiderar dos esmadores gue tenen el mismo Ch como equivalntes, Esto no es estctamente conecto porque las dlstbuciones de frecuencia da low erores (@~ »), do tama fAferentes no sern Ine mimat para tos dos estimators si tnen fantdades diferentes do esyo, Sin embargo, ha sido demostrado por Hansen, Hurwiez y Madow (1953) que s 8/» es aprximadsmente ‘menor "un medic, las dor datebaciones de frecuencia son east ‘Menticas en telacéa con Tos errores aboluts ~ »| de magni ths diferentes, La Tala 2.2 stra exe resulta, ‘TABLA 1 Prono EaaonAsseuizo > 1 BEM, 1.96 EEN ‘aero VEC ne [1 voR vaevM asnevoR e | Gay toms ams ce | tam tom amon‘Aun 81 B/e = 08, los cambios en las probabilidades al compa: las con lon valores abtenios pars li/+ 0 sen igre Debido a la difetad de poder ategurar gue ning seago in sospechaco se introduce en las estimacioes, generatnente beblare ‘os de la precsin de un estimador mis que de au exacted La acid se reflere ala magnitud de la dervacines respect a le media verdadera p mientras que precson se refer a ln mepated elas desviaciones respect la media m obtenids pr le aplcncea ‘epetda del precedents de mucstes, BreRcicros 2.4 Semon queue ol mucin pace xsinas el nitro wel de pale ‘de attr qe canine Haare (gla alain probe vrs ta ain 2a pdt (2) soto st fey oe cine ds (1 epg (3) es tom eed ‘cat (anomie fer tacea) mumeadan since at ele ‘leet et ut ech, Cade mame whet i mines epee ot Inco ee mamta sQed geaomas sagen deir heceten aoe, rungs (a) Ale dees wombs no pestoven ue elec ‘amt ye eu echo no ponder weilinde fate rina soto act SESr eee ©) es Soy game tener ee etn 'apamera Ioan eho, (c) Alpines sane space ok aed ae ltr ern esse oa aaa ea Seca (da Steet Sy so me Ser pe ca See ere SS Sw ee ‘er seen, de arg 4 cada calla, yds Ton ae te seas Prem owvan elvis a's aoe Ene tenant enn ot a SSSR Sh Cadi sane 3 aa a, 24S nin Pet el ton pc odinnat Since tay sees pee escheat Grech Aen wad meme ae Sama ata aes Ta cence ‘lao del ives st fr row de tpatve ode 980000, eset Unis oe ctanea dl 65%. prs el aera 4s oe titer vous en a corer tne ec ‘ine fs domtogn por la saiaon: Besa 30 docs ie pee, See) Tepcia rs ange emtann 008 iar {1.0L cove at cr tn de $100 ede eas sons sae ‘ antos ahos ol luv dng or aan empe9 saole {isla prada fuera e500, [Oates proaiad us wde's ae sat tn du al mann, $5007 46 rapa See hast pk ‘eender oa popu? 17 bo Tabla 1, 1a pasa a la probed de credo oo 1. YEE 96 VECM y 2.878 VEE cand Beene ae ni er do, (Shi a BOM op ite rere 2 see ance a ae ‘Sev dete ln comes tndador en Tala 13 cnfoowe foe action de cena dees (1) edocs epee ot oe eign, ce A ple we act tp esr Gis) de canoer tamaio tn Se tes I aetna wet tila cers spew, sede td la canes poe ‘Sree ey er wn i cn “44.CAPITULO 2 Muestreo Aleatorio Simple 21 MUESTREO ALEATORIO SIMVLE EL muestre alectono simple es um métado de seloccln de x tunidades en un eonjanto de N de tal modo que cada una de lat Cx mucsrasdistintas tngan la lama oportunidad de ser elegidas, En la peicics, un muesteo aletorio oe realza unldad por uni ded. Se mueran as unidades do 1 aN Poseriormenta e2extzae luna serie de m mimerosaleateios entre 1 N, ya sea ullaando una ‘abla de mimerosaletzrlos 6 mediante un programa de computa, iin que produce una tabla semcjane. En eada extracel pro ‘eso debe otrgat Ja misma oportunidad de seleccén &tadce Y cada ‘uno de los nimeros que no haven said, Las unidades que even fos 9 mimeres canttuyen le muses, Ficllmente se verifica que todas las »C, mucrtras distin, te: en la misma oportunidad de ser extaidas por ese metodo, Cont dérese una muosts deteminada, ex det, una eeleceién de unk dadesespesfcadas. En le primera extrac, a robablidad de que fe slecione una de estas m unidaden ex /N. Enla segunda, Ja pro. bubiidad que se extralga una de las rstantes (n 1) tnidades ‘expenticadas es (m= 1)/(N~ 1), y as sucesivamente, Por lo tan: ‘ola probaiided de que se exralgan las m unidadesespeciiadas Wnt Meee) las extracciones subsecuentes se desearta un nme Yo extiaido, este modo también se lama muesteo aleatod resieuclén, EL muesteo aletario con restiucon ex perfertamentefetble: ncaa extracciin todos los N mlembroe dete placa Teche la lam oportunidad de extraccén, sin que impr oe {Cuando se usan estes taba pars seleceiar una muesea ale toca simple, el primer paso es Ta enteractén 8 lag usnaeies oa, pblacén de 4 4 N. Stel primer digit de Ne un mameee cect 5 y 8 el siguiente métoo da telecon cs cl adoounce ae Seleclnando los 10 primeros nimeros datos ents OLS San Estos son 26, 808, 364, 417, 848, 127, 140, 186, 200 y 168, Roe lov dos dkimos némeressalimos a Is columnas'30 «38. Ea ce imves repeudas ex aconseable cambiar al punto do Fordden ee Ia tala, La desventala de este método es que los meros de tes dgtos 200 y tos os del 520 & 909 no se aan sunqus af adearee SE SoBe se Heide mucho temp. Cuando el priter dig e hry ‘enor gue, algunos pueden prefers eta mntods al cy Seek 1 6 dspone de tna tabla de nimero slectoros bastante tone Con N= 128, por lemplo, un segundo modo con menor re hazos y de mis fic! aplicacin el siguiente, En ane one oe fimeros de tes dicts se sibrzae 200 de todos Jos nna gee bay eee 201 y 400, se subsirae 400 de todos lon émerse es 1 600, €00 de todos oe nimere entre 017 800, BOD ae a cd ‘némoros entre 601 y £99 y desde ego 000 de todos los nameros ‘tre 000 y 200, Taos los tests mayores que 120 y los merce 000, 200, et. se desechan. Al utizar la colurmnas €8°s OT oe ky ‘Tabla 21 cbtenemon 26, 58,7, 94, 16, 48,41, €0, 128 y 2, lave feacclin que requlere 15 mimeros de tes digas para ¥ = 10, Bo i34 aestra Ia tasa da rechazo 5/15 = 299 ex cecana 4 la peo babliad de recbazo 72/200 = 269, para ese metodo, Al sat Soe ‘étodo con niimero N coms 294, nfiee gus une elses tories rnémero entre 401 800, pero automédcamente derecha folos len ‘imeros mayores = 800, Le subst ener 601 ¥ 999 dasa una me slduos ente 001 y 199 que de tacclin de 800 de lew nimeros yor probabidad de acetacn dere los resus entre 200 7 384, Hay otros méiodo de muestren que se peferen al muestieo alea: {exo slmple por razcoes de canveniencia‘o de major priate, El Imucsteo alestoro simple es el més adecuado para une intaduc. iin Ta teria det muestra,23. DEFINICIONES ¥ NOTACION a um encusa poe must elepios certs propledades gue suena ney vga prs ca unidad gue Wage ata se ‘n'ont, Ear propia de as una’ eae oe "lee 0 tpl eu ee valores ebteion para cule atu expect en ls N res us compenden Ls pbliée tpn ye ae Jive fe Les le coment pus aa Sex te dita por sto 9 gutemon ees th ‘iembro dela oes en greta 9, GT, Ns ei musa ho conan ie a Prices nade Dy oe Mtn tego on deat, umtalmrie o, ch seese esee pecitnet eat unas 8 te puto oe Sve, Se sess 1 nl expendi no habe conte as ane myrtle ms carcrtos dela actin yas mintscaan tat dei mac Pate eee ‘edly tenemos lat eigen fice Poblacion Beat meeeat aon Media: ponte =0m fy ‘Aun cuando el muesteo se realiza con muchot propftioe, ao (1864) mestren que para un cot pomtio ado, VGG) eet moetreo sin rst ef menor que VURven ey, feo can rstuelén, Tambien prabaron que vida cl nese 1s general en el que sl $4 = f(o)Q/Bf{s), donde ves el ntimeroto unidades dstintas de Ia muestra f(+) una fumeién de», en tonces VG) < Vise) si S*< NYS, condicién. que stefan cool todas las poblaciones encontradas en las encuess por miestioe 2.11 ESTIMACION DE UNA RAZON Frocuentemente Ia candad que va a ser estimada 2 paris de ma muestra aleatoria simples la azn de-dos variables, abs ‘ariando de unidad 4 unidad. En una encuesta de arias’ polsar ‘mos obtener el mimero promedio de trajes por hombre acho, al Bromedio de gatos en commétocs por mujer adulia y el peomsda de niimero de horas por semana’ que la televsin’ os Yond por Inigos de edades entre 10, 15 afon Con el objeto de ext Ia ‘Primera de estas caractersticas.repsereremae pore ama fu tulla (¢="1,2,..m) al mmero de hombres adulos x, que ten en la $4sima unidad habitacanaly el niimero ttl de aj 9c go oween estas personas. EI parémeto dela pobacin set extn la raz, Nimero wt de major $y sine sonar Lo esn es) Eamplos de ese po ccuren frecuentements cuando lanka de mute (Ia famila) comprende tn grupo © eoigomerade de flementos (hombres adultos) y maestro inert etd an Ta medic e ta poblaciin por elemento. Las ranones también aparecm on reas aPicaciones, por ejerple, la ranim de prcstamos pars Prop. sitos de construceion a ls préstamos ttaet de un bance» a rein le Becticeas de tigo em Telacion w las hectreas ttaea en une propiedad, 1a distsbuctin deriva del mucsreo de A es més complicada |e Ja de D porque ambos, el numerador J yet denominador £ Varian de muestra a mucstrs, En muestra pequedes 1a dation Ge Res asimética y A por lo comin es una extmacte,geramente seogada de R. En muestras grander, la detbucin de tend a la Refmaldad y el seego se vuelve desprecible, Low siguientes resul- {ite sponimadosservirin para Ia mayoria de ls alcoconee ty ‘etbucln de se etuta Gon mayor detalleen al Cop 6 ‘eocwasa 25. 61 les variables yx son medides en cada unidad & eum slestor.a simple de tamato m, sPuesamene ras, <1 CECM) yla varanaa de A=J/t son, apronimatanenes 1p fonmet new = ub =f am eaten B= Y/R es 1 rain doles medias de a plain y f = Prat toned aw) S12 e grande, ¢ no debe ters mucho de £ Par anus tniende ‘guthe I istcn de rac de or aleaeras as HEMI =E-aF eye ey La cantdad YR es la media de ta muetra dela vasable fedanalts 208 meta de potlacon B= P ~~ 0, Poros olemos encontrar V() aplcando el tewema 2.3 para ie sa fe Ia media de una mucsia alestra simple ulinnde la wen 44 y Avidendo por 1%. Esto daean, eas) Lo anterior completa a proce, Vale a pena anfatzar la manera como se probs el Teorema 2.5. a el Teorema 22 se demaste gue la formula para la vasianca do | ames mucstral 9 dala formula pra la varanza aponimada de proporeén 9/2, «i la vasable y, se reemplaza por la variable (je ~ RX. Est mismo zesuliado, o extenain natural x certo ‘atin en scuaciones ms complejas ye uss més edelente y con Irensenein en este Ibo, (Como una estimacién mesial de Eov-ret se scortumbra tomar Se puade demastrar que eta estimacién tlene un sesgo del ot en do't/n, ‘Paral eror estindar estimado de &, se dene [Eom my e45) 51 X no es conccda, la afimmactin # de 1a muestra se sucinuye fen ol denominador. ‘Una manera de calcula 6() consist en expresats como. ee a ak mL a ienle La Table 23 mews ol nies de pencnas (x), ene secur del fm (uj) en itor seman en comida (35, en ae es Sa fi norm ens mete fname pa ater PAA sees aes Eee s ciesmcsiaa eee aaron SSE a ete ft te me aan ven ae ACTA 81.76 “Jaan (ls, sims de cadrdor a come: 2624 ue moet en I preter eesti 23) ninet oe SEe So tee ce eee Wie odes iaWes seusa! Lrsey Saar wis ate ieesnst eet ene ee a ae Shuneta eens ee Eat=S0, Exai71254, pPazeaae Eaya3955, Tey noooGate seu ex ainena er pens. Cs tare de a tamtia vari Ie Stent eens tnd hs aes AaB es ti a fumas de ceadrdor y de pedis necentcs pre exer st) $eESh Ee Gat) we encoensen one patentee Beh tae SM Nts’, 2RM475, Rlnsaam6, e3.7m edema xr on 8,28. Aw nclayn yor exact. toon, wt Mende ine (2) 1h) —)_ TST Fara toss Puente nro ystedo ox aineno, Eats moerimnte es una st det te Aan tc0 f= 20072) Piiands a Ee (247) ot Iecter punde veces gu eer exit 2 212 ESTIMACIONES DE MEDIAS EN SUBPOBLACIONES ios de estudio ha sido dado estas subpoblaciones por la naboone ‘én de muestro de las Naciones Unidas (1950), in la siacion més simple, cada unidad en 1a poblacon cae entro de uno de los dominioe. Concderenee uc cl ere ae, ‘latins Ny unidades y que n, es el nimero de udades, on une ‘uctra alataria simple de tamato m, que patenccen a ete don Bo, Si ya(h= 1. 2.-.,m)) som las medidas w cbecrracones toe ‘aldas en estas unidades, 14 media de poblacien Jes erteada na jn ea) iA Primer vit, 9, parce ser una estimactén de oxi, desea Set Ses, 21, yoeio que, a peear de gue n es Aja are Ant aw Camo cada comjoto expect den, unkades del samo do ‘lo puede aareer con todas lat scones de> RAS, 2 donde ¥., 8, f, som In madia de la poblacién,desracén extn. dar y op, yr & un atimero > 0. Entonces, Ja condilén tipo Lin ‘deters Eien PP teense -* fs necesriay sufciene para asequrar qua J. tends 1a neers. lidad con iz media y Ta varanza dadas en los Teoremas 2.1'y 22, Este conccimiento deja algo que deer. No es fell contestar Ja pregunta directa; “Qué tan grande dabe ser en esta poblacin para que la apeximaciéa normal sea suflcenaments exacta?” Las aistrbuclones que no son nomales varin mucho, tanto en ln Dataralera como en el grado do su dscrepancl de Ia normalidad Las distbuciones de muchos Upos de empresas (cendes, plantas avicolts, cludedes) exkuben una mateada. asimemia posta on focas Unidades grandes y muchas unidades peguefas La misma ase de asimetsa sa observa en clertas poblaconesbiegsess (por fefemplo, el nimero de ratas 0 moscas por cuadra en una ciudad) ‘Como una dstracin da una disutbucén positvamente amd tai, en la Fig. 2.1 se mucsia Ia dstebueién de frecuencia del ‘numero de hubiants en 196 cludades grandes de lot Extados Uni dos en 1020, (Las cuatro cludadee més grandes, Nueva York, Chee 2, Filadlia'y Dowot; fusten omiidas. Sx inchatin bublera ex tendo Ia eicle horizontal a mas de cinco veces el amafio, que fe nota on la Fig. 21 y hubera, deste ivego, scentuado enor: ‘nie ie asimeria) tn Ia Fig. 2 s0-musstia la dition de frecuencia del nimero total de residentes en cada una de las 200 oes aletoias ples con m= 40 sacadas de esta poblacén, Ls distrbucién do foe totales de la muestra, e Sgualmente de las medias es mas similar « una curva normal, ero sin muestra algo de asitra pia, Del estudio do las dstbuciones téreas asimétceas y de los resultados de los experiments de muestien en poblacones asimé ‘cas reales, ge pucdon hacer algunas aseveraciones respecto a 19 LALDLLALLLLARALARARARARARecececereee UU e RUE ebb aD a is. 21, Dice de tmevecias de camafor de 198 cede de Joe Etslr Unione 1000 aque sucede ususlmente a los limites y probabilidades de conflanzs wand ve muesirean dos poblacones posivamenteasimétics co. to gue 1. La frecuencia con la ual Ja aseveraién F-1966)

9+1.965, es mayor que 2.5%, 3, La frecvncia con la cual Pep-196%, X es menor que 2.5%. ~ Como una Bustaci, consderemes una varible y gue I pode mos suponerdistibuga tinomalmente, de tal forma que la distr bucién exacta de ¥ se puede obtener do las tablas binomiales. La ‘variable y toma s6lo doe valores el valor con probabiiad Py eb ‘valor 0 con prbabidad Q—, La media de la poblacion es Y = Ph ‘Una moestra alate simple de mao m canuene « uniades con valoc hyn ~ a-unidades que denen el valor 0. En la muestra, Lynak, eontarycnteat SE Por lo tanto, os timites normales de confenza al $59 para Y son Pec as Sea m = 400, P= 0.1. Entonces Y= 0.1h, Al prbar encontr mos que sl a = 39 en Ia Ee, (268) ol limite do conanes superior 5 30:18h/400 = 0068h, mientras que «20 da 40:34h/400 ~ (.101h. De aqu que culguir valor dea < 29 da un limite Ge con- ‘arza wuperioe muy bale. Bn forma simir, enconramos que at 54 el limite Inferior es muy alt,1a variable a sigue una distibveton binomial con x = 400, P = 4. Las tablay (Harvard Computation Laboratory, 1569) ‘cs tan gue 5 ne superior saeco my bajo) = Be (a < 20) = 057 ‘Cline tae etabnio may alo} = (eS 38) = 0817 7 (oaade de eetanes cual) erry J probable! total de estar equivocado no ests muy lejos de ooh a ee a wie ie er sonore ars eon en fiir anes ease ore ces Sr eto 208 om onl ita dames ater a, nS Fey ap om Set rs an es pa Saas ecg ie cet edn ee een den iearegarttee ee care pe cma nner anne oe See ac cee ie aon ee =f Ce (eke See n=25119 50 Gene ciple Presence fin fal fk come OG core a meer By?) Prass7079 Una buena prictca de muesteo tende a acer la sproximacin| ‘mormal mis vila. La fala en la aproximacldn normal ccurre pel:OEE A a tipalmente cuando la poblacién contene algunos indtvidos ext: ‘os que daminan el promedio de muettra cuando eatin pressote, ‘in embargo, estos exttemos también tenen un elects més sete a sumentar Ia varianza de la muestra y disminut Ia precio, he ie {anto, se aconseja segegntoe y hacer planes seperados para at ‘ont, tal ver entmerindolos completamente tno son mul ham, soos Esta ciminacion de los Indvidgor extremes de is polacin educe la asimemisy mejora la apoximacién normal, Exh demic es un compo del muesreo etatficod que se dscatird en al Gap 216 ESTIMADORES LINEALES DE LA MEDIA DE POBLACION Ea mucstreo slstori simple nos preguntamos sla media mes: tral 9 es ol mejor esumador de Y. Esto naturalmente he data sar @'un buen nomeco de trabajos. La rerpucita depends del cao: Junto de competicores permtdos para j, de la detain do "ah ‘ojo’ Para el muestra, les unidades dela poblcién seen tee ‘merarse en alguna forma de 1 aN. Estos ndmeres sudan lsmarse las etqutas que se ponen Tas under Los primeros resultados probdos por Hort y Thompson (1952) Para esimadores Hneales en muesteo aleatorio single a lor ch ‘lence, Si cualquier y reco sempre ol mismo ese lempte gue ‘se exralga Ia umidad rotulada con la media mussel Yes et nloo sestimador insesgado de Y de forma $ my, Dado que cada unidad soamee en we fro 9/N do moet alate singe, Akna)-n(fnn)/t=9 wo ocala w. = 1/8, yr co in, 4 re dep dl ren con ques ex tela prt 1s una coc 9 See vanes mina en le eats Mowe iseendos de forma $ up donde yo o8 vale yen a ad ques sc en I ence ina ‘Uns clare mls amp compete cnn En don 2 wi, Puede dopender de Is otras unidades que caen en la musa, ‘81 como de f Godambe (1955) demosts queen esa clase no es, fe eatmacln insesgada de Y con vaianzn minima part tls in poblacions, Marley y J. N. K. Rao (1968-1960) han desamllado otras pro- Pidades de 9, a igual que Royall (1068) y ©. R. Rao (1971), En ualguler poblacin fintta abr cuando micho T'2'N Salare die tints de Joe y- En Ja muestra, soan m, vale igualce ¢ y donde Enwn Hartley y Rao (1968) demuestran que tiene vcianzami- ‘ima entre los esimadoresinsesgados de ¥ que so son tunciones de my 3, Para mucsreo aleatoro con restitucdn, pba guy le ‘ota fos valores distintos en la muestra os el exiador de mi ‘a verosimitud de Y, aunque no tene la vasa minima en to. sas poblaciones, (C.R. Rao (107), siguendo los trabajos de Kempthome (1908), consider los eximadoresinsespades ?=5 my, dscutides por Godam. be: Para reprnmir al cato donde lag ctquetan tu dan forme in respecto alos valores yi C. R. Rao ealeuld el promedio de VF) sobre todas las NI permutaciones de Ins etiquias asignaias ioe valores demosts que sobre esas permutaciones, J tene varanan Promedio minima, Royall (19700) alo un resultado mis gener El eabajo de Godambe (1965) estimul6. numeroes iavetiga. loes en el diseho de muestras y la extimacin Ineuyend tena emo los exiteros pata juzgar los estinadoes, papel dela mision, verosniltud, el uso de In informactin aunier que las edquece Peden contener respeto a1 2, los stimadones bayesian, 9 ioe 'néiodos de estimacin cuando se pueden hacer suponciones sobre la '2 fo pata por Ray Kea 1980, Nineo dene 0123456789 10 ‘aud, po ito Mineo Enis 84221100014 Ds, wand lt misma Went dense ext St 20 noe te fess age ea tein ede ead, Pic et 2 sede Yea a4 (9) wand on ads Sey BA) Sm tents es tacos? (4) (Gut tn sper fe so eae ee oa ca pera ds cathcdoe com san dnt atoe Seems pte ose Ia F ts aun eit de $000 cons Pon es Sahar degdn 0 (B) soca ana ace “Veet ale br deen ‘Doiorar ge pa timar un tal shee le petlucén de emleden ‘leans a (2) da imu vcenn mie prueba ‘ure ae Cy ae © <1, donde Cv el coven vaca dete carci bao gral cute secede eles 7 Qo a ppc. emplener o ec dea comput: teas be ee MS geen atic ene gat Veg = SCAND + (UT nde ft Te la Steen sith ‘de ie muna “8) Vig, 9) ~OHCLing OPN eee E Bin’ Eman owas ima tec ets 417. 11 nimero de mantras lettin singles asentn de aati sede, eg Vn = wt Ba ae nt notes eh a econ de Muon de tamabo m gue tonne mo ‘ot de monn etcas nt eaten que A= "6 — 1X — 1) y ooo nme de moses die eat ex aha rn Sate octane & a means taeda ‘ie ex net roloe Fe le de a mash dm So Rtas 2,20 a6 £ ana 2) w om ete Seo meee 59), cl pons ene eh Ee ens 2d mosses etry see {griBS 7 Slane (1973) Han esteds cin te pci et ete HO pa cua desdut le uon te Vine tse meas Se 210 La soln oa Uutvaco. bide & Ropal (M60), a hecho ot eye ete leu spl mea ae See, Bes {geste wfemerte mit on In cow hs ecco Oo PE Evy sostirade per Gotambe (1955) dente el prem, parts denen, th at‘ gor cagan orcas oet re See Per Funtntins fostntin: Pontnsin inde Yu deo otimader para te sont oe ene la kates (4). Do ‘tram Quen ke seas de orally es tomato 3 VERGO C Yop) 4 yin Sh) > 0 La hana Se ene Ses eee See Se Hey citar Goto SAEELEUNEY etc stole te dhren cunts dee yen ‘adanence blo 9, incumbent te, Pee oa ec (1972) ani o tntete exindorimgnd e ¥Feeyoe ats musts cote y, pe 80 rpc ot bmn cnt oy DE 20H, By pre Soa tas ert vn eng 6 eons cotante, Denon «ed & nlf qBigioen-m de ances aoe VR) 1), una estimacion snsengada de P cs pre, = -1)/(n 1), Para N muy grande, Ppequet y > 16° wea be ma apronmactén de Vip) & mPO/o = 1) Likgn, tae (rQ)"/(m = 1) < Vin7(m~ 1), que sek un limite superior bastante etd st P es pequeta’ De modo que al fer i de gntemane,podemos contr el aor de vp) an conacey aneien ddamente P. El valor m = 27 da ev(p) < 20%, pore al ta se 108 se nacesta para ex(p) < 10%; Eval de mon ee modo = uma variable altatoia, pero serf grande s! Pes Payoh LA FORMULA PARA » CON DATOS CONTINUOS (Generalmente se detoa controlar el error relaivo ren la etimacién el alo a media de In poblacion Con ua muestra testne see le de medi 9, queemos: que Maem =) -nte tee iatsbuclin oral: del "Teorema 22. Corlato 1, ssbesor leno estdadar es on BS, TOW de ‘Ask que Hota =) /en)] ten qs Ia carats do pulac del qu depend Ws tu cocfcente de varacién 5/9. Esto a menudo es mis crabs 1 ficil de conjturar de antemano que el valor mismo de § ao AL reste para nComo riners spina tee sy 1s" Gy) -ay) “sn 3 fils seman amicipatn de (5/2). ta cadet ¢ or dew am eee t Simo ele, Caanes ose en (43) SeaTn (43) Sig lates de ero rao + queremos controlar eer abscluio SELES m= F9/E SIV, demde Ye le ee sada de ¥, Reon Ea Tit we Bodies sling para wnt of scene ts 9 Sh levee Ot eno tah Same aoe a nS Genet yaaa in, Taasae GELS Ar ih ar ri de et matter ca ge, et ne tl leita ane Pe ae ceans tte Hd de aes panei ie eet BS SERSLZ tee 108 cae aides Get at De ee a TRS Po ae /N ao os depres, naman 47 ESTIMACIONES ANTICIPADAS DE VARIANZAS DE POBLACION Ey chemo del vivero no es tilco en cuanto a que la vartenza = oblcin 5 we cmoca. En la prices, hay cust canine es joe resultados datos aqui sopenen n. cen Come ee dP VO, fee ween or 9 0 “e101 Dade que C= 04, C= OO. La Bes 49 com «9, no O89 ‘eane.107 "oom ANAT 1a mantra conbinada de np w= 86,» ~ 8/206 = 0055, La comin pot Suge core eves ter Or, Yo gure an imal ce aN © En el sxgndo método, una pequatia enauste plots sive para varios Fines, epetelmente ee Seda de In pooled la cng 126 42 principal. Sta encveta plot ea en sf uaa encvesaaleatoris Simple, so aplican lov mQtodor precedentes Pero con fecuenca ‘taba piloo se limita a una pate de la pobacién que se puede ‘manejar convenientemente, © que zevlart [a ragaltod de. etcs ‘problemas. Se debe tener en cuenta I opin selctiva de Ia ences 4 plot) usar sus resultados para estinar So P. Por ejemplo, una prictca comin la de eonfinar el trabajo ploto a algunos femglomerados de unidades. Ast, el aloe # exlclado, mide peer ‘palmente la variacin dentro de un eonglomerado Y Puede stuns subestimactn del valor pertinent S. Li elacién ene les Yala: Gomes intra ¢interconglomerados se discard en Cap. 9. El mie ‘mo problema surge en el muesteo Por conglmerades pare. pro Boteones, en donde 1s female py/n posde subesmar ef efecte de ls variacién ente conglomeradon. Corned. (1981) lta, ade ‘uadamente Ia esimacien del tmafio de Ia musta en muctieo or conglomerais para proprciones 4 tercer méodo —uso de los resultados de encuestasprvias —, Sefiala el valor que ene el poner a diposicion, ol menos mane ‘er ascesble, cualquier dala sobre In dewviaciones extindar aie ridas en encvestas prevas, Inortunadamente, el costo de comput. in de as desviaclones extindar en encuestascompejas es eevado, ‘un con méguinas elecudaicas, ¥ or frecuente que silo squdlas ‘evince etindar roqucridas pare das une vage Lia de fe Pee ‘sin de Its estimaciones principale, s computen y rogsten Si fe encuentran datos anterior apropados, valor de S puede 2e- ‘queric un ajute, para actuaizanl, Con ‘daine astmetrces eos ue Y cambia con ol uempo, frcuentemente se encuentra que $* varia de acuerdo a una raxén comprendida entre AY 7 BY" donde ‘cs una constant, Por lo tant, i so cree que Va aumentado en 10% (en el ntrvalo de tempo tranvourido deste la encuesta pee via, podramos incrementar nuestra eemaciin nical de 5 ents tun'10 ¥ un 209 Por timo, en ocasiones os posble hacer wna estima Gil de ‘a pantr de una informacin relatvamente excata respeto 2 la natucilees dela poblacéa. En estutios pevos sre al mero de susanos en suelo, se utd un instrument park tomar una mucs. feu de (9% 9% 5 pig) de la capa superfidal. Pata estimar my el ‘uesteidor necesitaba canoer la desvsclin etinday del nimero e gustnos enconrados en una extracisn con ayuda del insrumen. 'o, Silos pusanes se dstbuyeran al star en la capa superficial ‘mero encontrado en un pogvefo volumen se apegacia'a una dr ssoucion de Fosson para la cual S*~ ¥. Como le gusence pueden tender a congregarse se decdié suponer $ = 1.27, donde el facie 1.2 es un factor arbitzao de seguridad. Aunque ve desconocla ¥, sus valores de importancia ecanGmiea respecto al dato en la cose ha se pudieron delinear. Estas do infomaciones hicieron postble |a determinacién de los tmafios de muestra que resultaren sais ‘eto.Enc no deere exchsiamente alta, coisas ate trea Oe Cerin ‘Eecorrnue Haconast eee ert a ee Moen Reeds Ision (Ean css 8 Sho cms Roary an ect ita GENBSO DE La MUsMRS exax0 rag PSTIMACIONES Satna PRS CUANDO nas DE LA POBLACION =SS SSSSCSUCSCSCSESCSCSCSCSSESSSESSESSESCCECEEE ES SZ: ‘ar con una varlanza expecifica V. Para 1a Hésima subdivisn, tenemos w= S°/¥, por le tanto, el tamato d& la mucnta teal =15°/V. Las Sindvduales seria en promedio mis pequetas sue Sia varia de la pblacin, pros menudo s6lo "us poco ‘ms peguetas, De modo que si exten k subdivisiones, n= RSV, ‘an tanto que si slo se desea obtener la etimecién pars ln pola lin como un todo, se toma n= 3/0 or Jo tanto, si queremos estimacines con varianza V para ca da una de ls ksubdivsiones, el tamatio de la muestra puede spre ximarse a i voces el necesano para una eeimacion fal de Ie misma precisén, Este aspecto nde a ignorure en es ciltlos del tamato de In muesre, 7 Te couereeapeiaimente'n las pes sin experiencia en mds de encuest, Silas subdivsiones representan clalficaciones por valalestloe mo It edad el sexo, el Ingres, los afiee Ge elucacisn, ete ia fubdiisiin ala que una persona perteneee ro se conoce sine hasta ‘en, encontrar alguna manera de Identficar de antemano unidsdes esta subvision para gue se puedan mesiceat's una mayor tsa En ocasiones, el método del mateo debe (Cap. 12) el pork ste propia. ‘Las exigencias on el tamafo de la muestra son ain mayores en ‘studios analticos, donde las espesficacones son MO-Hsv «0 ‘ara cada par de subdivsiones (dominios). En este esto 5 Jas S* no son muy diferentes de Sn gerd 225'/V cuando los Xe dominios son del mismo tamato, y ain mayotes en el to cane BI efecto de los téeminos de ef, desprecados en esta discon, la reducion en clerta medida de los n roqueridon, 410 EL TAMASO DE LA MUESTRA EN PROBLEMAS DE DECISION En ocasiones, puede desarollase un enfoque mi Wigco para stenminar ol tamato de Ia muests.rndn a'va «tomer one sasén price, basada en lex sesuliadon de la muestra Se Pete ‘esto expeific, dependerd dl tamafo de a muestra m: Por 10 ‘anto, a pédida esprada para un tama de mata dade e Lin ftrpemar as as nc ly Mag gk og) ec es me Se int i oer ie) +Lin) ais) lo que tte eto costo total involucrado al tomar la vests » ‘lesen do deter Alterativamente puede presentarse el mismo enfoque en t= ‘minos dela ganancta monetara que ocute al tenet le ttorsacen Gin)~Cin)En esta forma, el principio es equvalete a ls regla dela ecomomia lisica de la maxtmizacin de ud 1a aplcacién ms simple se presenta cuindo la funcicn pédida Ke), se, dande A es una eonstante, Lo que. da como neangs we Line) as ‘Por ejemplo, st ¥ ex In estimacién muestral de ¥, y 2 $—9, Leanne AS an 5 se usa mucsteo alstario simple 1 tpo mis simple de funeién costo para la muestra es Cin) =cateur a0) donde c sel cot filo. Al deriva, el vlor de m que minimizn costo mis pétdida SST 9 Yates (1960) da una forma més general de ete resultado HI mis ‘0 anilisis se apica a cualguer' modo de mucstieo y Ge oit ‘maclin en el que la varianea de Ia estinadion er invecenos roporconal a.m y et costo ev una funn lineal dem, iythe (1045) describe la epicacion de este principo ala est: ‘acide volumen de madera en un lotecon fe de vents eee Ererielo 4.11). Nordin (1944) disewte el tamato Spine de ie esta entrar un faicante, Stas ventas putden pronorticase eee amen, la eantdad! de equtpo fio y de producsin por aniag ny fdempo se podeh.asignar do tal manera que maxims le wed ‘prerada por el fabrcante. Grondy y otor (1954-1958) considers 4 lama optimo de una segunda momers, cuando ne conocen ewultdos de una mice inital hl i ‘alidad esimada. Siig (1951) considera la eomomia de te ice ‘Binaclén del tamato demuestra! tomar eo cuente oo oe Imspecciony do aceptacin do artical defectusron, nal coor tee lgades a 1a exstncla de ariculoe reglmentaros et ote, sokee oe 4.1 EL EFECTO DEL DISERO (Deff) Con lot planes de mueateo més complejos que se desrben pos: {eroments una canta le llamado eft del duc (def) 1 Plan do rvesteo (Kish, 1985). Este aur desaibe steno elena de planes mis complele—. Por ejemplo al eimar I poo, Poreén de personas que presentan certo atzbut, 4 mene ne umveniente tsar 1 casa en verde la persona, como uniladde mc tes. Como se noté enol Cap. 2, a fdemula PO/n nose puss wat og estos planes. Para eatmar talejidad Para caine el deft partis de lop renlades de una musera ample, se reglero algo de gers. Necsamen monet ee eat fama cote reruns proporcionan, de ser poable, essen Bsenercros urtrano mayer 2 ol pene fo site 2715 sn sees ini a tae Bo) ie costed ercetitce te) SS Em eee a Vie det vce tb Siete ars Some aoeCB E:”=~C o_o {22 Sepnen ou c (0) lca opin ot ls erates etn, pe amet crmlsconaday, een. cmece Tectia a ge ‘mune ini de 20, con ig oe comes oer de tit ‘omprenden & toda I poblacion, px bo tantar SEE reer. 52 denotan con MyM sna Re Tespectivaments Sis toma una muestra aletots simple en cada estrt, el pro ‘cdkmiento total se deserbe como in muctive levtars seat 1 esttieacin es una técnica comin. Para to bay michas Yanones| las prnctpaes ton las siguientes, 1 Si Jos datos desendos deben tener una preciséa conocida en slips, subvsanen en piacin, ee octane oar tule fuldvision como una“poblacén” por derecho prop 2. Foe conveniencia adminstata, puede ser necestcio al uso ek estratleacion; ast, por eemplo, la ngencia que reaiza una en ‘queria, pocia tener sucusils en el enmpo, cada una de las cow ‘es supervisaria la encuesta do una parte le placa, | Los probemas de muestreo pueden tener marcadas diferen (das en diversas partes de la poblasée. Con poblacones humanss, las pessonas que viven en insttucones (como hoteles, osptaesvoles) se cxlocan en un estato diferente de las que viven en casas ordinarias, ya que uo método de resto ct'el people para cida una de esas doe situciones Al muesttear negocio, po, amos tener una Ista de las grandes Rrmas que se deben cloead 2 up estate diferente, Quiz algin po de ‘mussiey por teas ‘dba usarse para Jag fitmae mds poquetss, [Alka estratiicacién puede dar lugar a una ganencla en la ‘rsison_de las estimacions de caractersas de i poblaion to fal. Quizi sea pouble divi una poblaclén betcrogénes eo subpe. “Masons, en lat gue cada una sea nlernamentehomogines, Estos 4o que sugere sl’ nombre de ‘estratay, con eu impliccion de una dvistin en capas. Si eada eatato es homogénen, en cuanto a que Jas medidas vane, ligeramente de wna undad a ote, une etic reisa de cualquier media de strate uote obtener « parr de ‘ins poqueha mucstrs en dicho rsuats ¥ poarinmente pode cont Wins estas estimaciones en una ertimacién precise ara toda la pelle = a wor del muestreo eeatificade s ecupa de lt propedades elas esiaclones de una muestra estatfcaday dela maior eee. lin pera lor tamaies de muestas ms gue deben dar Is precsion ‘maxima. En ese desarolo se presvpone qua ya se cinsttuyeon lon (strats, Los problemas de construction de los estatosy de I do- terminacién del nimero de extratn se verda posterlrmiente (See 2A). 52 NOTACION El subindiel! denota el esto, ofa unkdad dentro del esate, 1a notacin es una extension natural dela useda anterormente ‘Todos los simbols siguientes re refieren al etrato Ne ceeaee Guan mire de leds ex mae ORs win pee se eka wi=B pendence 00 eon teat eeeerare acon media verdad radia de maessa Foun sig vata verdana [Nétese que ol divisor en la varanza es (Ny — 1), 53. PROPIEDADES DE LAS ESTIMACIONES ines ea eee pets mua Saar Ses ra de Es 1 wg ao ea ve pane eg eee mille Eg frais 62 1 aierencia esque en Yas eimacones parts de ets i Aiidutes eciben sos ponderaciones comets NN Es events ue §colncie cn Yr cando en cada extato mM eat ey 3h NN el ao sigafca que la fraclén de muerteo et misma en tas os estates Esta eealcaclin se derbi eraicacon, con ‘siqncin roprcioal de low nGmeros ms yda gar ura mera Suinpenderadn 8 hacen mumeose seman, ete Up. do Imonten ahomsd tempo. as prpiedadespeetpales de Ye esac fy se bsquean nls agents Terenas Las on Pier acan a ueSSSCCECEEEEEEEESEEEEES SEES EEEEE ES J ‘ueo esatficado en general y no a2 restingen a muestco aleato- "Ho estatfiado; es desir, que Ia mista en un eetato cualgulera to ex necestriamente und mutta leat sme ‘Teorema Ki Si en cada esrato Ia extmckn muestal es tn sesgada, entonces yy es una estimacion insagada de la media do poblaclén ¥. Prueba. 09-8 £m om yn main Gi esebae ria na Sour eecreaae teens bin bmn, i tegen hi » sepsis Teorema 52 Silas mucstras se extaen tndependientemente en los diferentes estraton 6 san Em 6) 13 una funclin lineal de los, con pondersciones fj Ws, Po unto, podemos citar el resultado en estadiieb para a vata, d'une funléa neal, vor-Emrons Lummis 69 Pero como las muestras se extraentndependentemente en los die Yentes strates, se anlan todes los tenminos de covaianan, Esto Gael remade (63), ara resurit los Tooremas 5.1 y 52: x fi ee una estimacion Anseagada de Y,en cada esrato,y Ia slecclén do mesteas es indo [endionte en lo diferentes estratos,entances J, es una estimacin Inseagada de Y con varanaa SWVC). ‘Lo importante con respecio a este Tesultado ex que a Varianea de Ts slo depende de las vstanzas de las eximaciones dels medias Ios strates indlvdusles. Si fuese posible divin una poblacon lkamente variable en estates de un modo tal qu loos los ator tuvlesen el mismo valor dentro do‘un erat, poamos etimae, sin ertr algune. La Ee, 54 muceera que ito de les ponderacio. es de estraton correctos NVN al hac Ia estimtein yr esque onduce a este revuliago ‘Teorema 53, Pera el muesten slestoroextraiicado, la vslane 1a do la esimacia §, Mn) am, Mamta suena we Prueba. Pulsto que Hes una estimacisn snseegada de Ys pur: 4 aplicarse el Terema 52. Ademis, por el Teorema 2, epicade 2 us esuato ind! Vin) Bs Por sustacin ene ead del Teorena 52, ebunemoe y Eminem Sas EA 6. EM mar WEA) 6 fi se har ™ En los siguientes corlaios se dan alpunos eatos particulars de esta formulas CCerolario 1. las fexcclones de musstzo m/Ny son despre: lables en todos los erates, a ‘ota es la formula apropada cuando las coreccones por polacén ‘tase poesen guar CCorolaio 2. Con atgnacin proporconal, sustilmos at en (58), La vartanaa se reduce 3 oo.Sorsacio 2S el mucstreo es propocional y las varenzas en todas ls esate denen el mismo valor, Sc, cbtebemoy al sae resultado iw. 8 la estimacidn det total de Ia po- V0 69) Teorems 5A Si Py = blacién Y, entoncee MRM ENO ng ‘Lo anteriores inmediato, consderando el Teorems 5.3. Mumle. La Tae 8 mun o nome de babies 180 y 100, cv male 68 gandi cuade de or Enos Unis ioe See ae 0) 1a Ca) 0 tnd bia ia. 35 ts te | ape | 3 ie Be is ute | ‘im | 35 So ne ne i360 | de | a to te pain | st] Bs ie in tm ie aot | Mee | te Tonle samas de cutee Yad Sah [Tod Sao eno omands ene MS. 68, chedadn dete Eide Undo del ttl (kode rye adn ttl de haben tetas co Iara no vss, eee inti ne 18 edad ce ‘Rimaie ptt 11) une mustn sats tages (2) te nome ae Septet con secs povrana(O) oma mews dls oa Sa ee ae ee Sane etn ae tas pretty 9s wun deeded se ueran ab ‘Tala we ehmpla slow wea emacs OS ae ‘alia ‘d 10 epics an dome et Par Ta pela conpna 2 190, een Yas sastug 1a os emaones de. ¥ we seria pt Yo Fo 9 Pg Tem mene sens ee Way MENS GOB, Teor 2, Contato 8, Hl emer etndar os otha Sees80, Syosset simadaneste 10 vce mayor que It dl tm meee {om sigan proprtna, tenon ny = my = 18. De a Be (82) ‘maliptints por Nena Mio MAE se = A109 84 4848561) 1882295, 3. Pars n= 12 wanmoy a female seer (58) Ma “ENN gS Honeys) amass ® 2 1090827 Sing) = 104nas am alata spl Gna deca eat me vain negate de (Gel Toseaee ny) SS ee : aT Om B) an Por lo tanto, obtener et siguiente, TTeeruma 65. Con mueseo aleatorn i insengaa de Ia via de $e iO) a AR I Bo et nemesis dibs y cnn A See mde ge map “* gems en la tbls dela duutbeene ee 5 sto se dan algun Tree rng Cit ata tar en cuenta af En Suc ccs Ang Se 9a) cone aa er Re as ach) ae Set aga dee taba oe 1G) et oral demands compne a eee spl Sado de eter despues un mtd apa Tay Coane eats ero efecto de rake ys i) (Satelite, 1946), Podemosesciie Pore Si on ten Mn) 2 ner code gad Herta» (Ean) ean 10 Tae nt 12 Ya uae ea mls pop en van At 5 ps cunt Le trom toma on ea ec Ta, pus aera OU eto al oxo y supe yee ee ln a cons eRTiNoDdY ow, 2865): Agu eso se Srey ae Bt 8 costo lineal 5.17).Tewrems Sf En el mucto alesao earatieado, con una epi de cova neal de le forma (6.17), la vatanse & fet mada Ju es un minimo para tn caso expecion Cy al comets ese Ear una vainza expecta V(Gu) donde mex pope, imal a Wis Var Pret vor Maca EMS EMER ay Novas pa on eat (1) dag nau mine y gem aps wen, (2) Gaye tein ¥ W spect Cue ore uote i at sl bias Seen mn cee Tae Pe ey simi V coe io ton Pag eter rir pode, ve-(vop =@%S)(ca4) ain waste 52) shar gue (6.19) se pune mlanizar “mpl cage wand la deigualdnd de Cauchy Schwert atin, igelamis de 1 nimeres postive, esa desigaldal pone i wea fun) (ta)(em)=(Ca)° 62 [ip MntMe comic sunante ba econ prs no hbase) taane aE hie anatiave 1s dsgualing (521) de F lahy-apy (29) Foro‘ sincuns cen sm pte hace ter gu (rms.va) 2 alr minio ccure cuando 2 Be -comame (6.22) con se afm ene toes Ea mins dt tat tal de moo men wn eat te ise = LMS Na) EIN Ea crea hac ln sie os ct En on sat wom una mea st ts 1, Bl estrato et més grande 2 HL estato es ms variable intemamente 3. EL muestreo es més barato ene estat, 35, Martie un paso més para completr la aignacisn, La Ee (529) fatstcr im lo tl ected C 6 pain ote Pe ferrets Y pa yo ol coma fae uate Pris 2 00 lat dca (Si) pune a nalCnadD use) Tins (sivas mast V+UNE WSSUCEEEELEEEEEEEEELEEEEEEELEELELEEED Teorema 57. En ef mucsueo aleatrio estraificado la Vig.) be minimiza para un tamano de muestra teal io n a =n op NSS. : "EWS "ENS ee sta asgnactin se Mama voces animacion de Neyman, por Ney man (1884) cuya prusha dio prominenea sl resultado. Mig tarde Se descubeié una procha antetior de Tschyprow (1023), ‘Una férmula para la varanza minima can m fija se cbiene al suse valor de en (5.25) en la formule general para VG) EL vetultado es (sw) 2 fs) aus: a Fins oes Ce See 56 PRECISIONES RELATIVAS DEL MUESTREO ALEATORIO ESTRATIFICADO Y DEL MUESTREO ALEATORIO SIMPLE Si se usa Ia extatineactn de manera ineligente, cath sempre 44 como resultado una varinza ms pequeia Pare ia medi et ‘mada o para el toal, que la dada por un maestro aati simple ‘comparable. Sin embargo, noes verdad que cualquier mucstco alee toro esalteado dé una vastanza menor que un morse alee. rio simple. St los valores de los, extn lejos del pio, el oes ‘avo estraifieado puede toner una varianza mas alta De hecho a Ja estratificacin on asignacin dptima para un tamato de mus tts total jo puede dar una varanza més alta, aunque esto es mas ‘bien una curoldad académicay no algo que sucede en la practic, En eta secién se comparan el mueste aletaro simple 7 el suesteo eleatorioestratifieada con aslenaida propersonal y 2p mma. Esta comparadén demestra mo se logra una ganancia iaclas Ie estatifcncion. Les varanzas de las medias esmada ce nota com Vin Voup 1 Voy tspecivamente, ‘Teor A. SI se ignoran Jos téminos en 1/N,relatvamente ta unidad, Von Vw ® Var (528) onde Ia asignacn dptima es para nfo, 088, con my « Nik Prueba vestien ox) emg RMA EMS iy (de Be. (88), 5 3 (ems) 5 ws? Lea Wo la Be. (527), Se. 8.51 “Tenomoe, weando Ia Wandad algsbraica setindae para el ands ea vatianza de una poblacin estatifcada WLS EEF “PbO BEN FP PODS FFF (539) Sos téminos 1/N, son despreciabes y, por tanto, también Jo es L/W, (632) obtenemes PAE WSE4E WAP =P? 639) Por io tan pS DevistDrw- 9 Dis 97 39 or Ia definiclén Se Vy, dates tener Ve Vans Por (80) (S31) su diferenta «3 Vo Vig HE WS (5 WS] 1 So ms.-97 (536 donde $= Wis, 6 uns media ponder de ls 5‘A paride (5:35) y (8.36) com los térinos en 1/8; despe- lables, Mae Vin ENS -SDy HF? (537) Para resumen la Be. (537) hay dw componetes de a is ‘tau en la vasianaa cuando pasumos del mucitco sears si le ie ssgnacin Optima. La plmers compooente (letmina lao trem desta) proviene 4 Ta eiminacon de las lferencas cn te as medias de eae, sepunda (enlan medi a In doecha) rine dela elimdnacén dl feta de Is dfrenlas ese as deriachonesentindar de estan La aeBinds componente sepeoet (as iteenca en vatnza ent In asgnacn Spina Y la pope ona ‘Los témins en 1/N, no om despecabes, el susttule por § é (532) we oblene + ROE NA Fa PF nN ENNIS] (538) en logar ée (6.35). Por lo tanto, la etratificscién propoconal de una valanza més levada que ol muesteo aleatoio simple EM FF Neamt famosa Rene pussies | Ay Ens Stomp condo <8, pare b>. Candmismos con ete Fea go ead ta cigcans Setane gu cian un a anand a HNN nimss? Ems er to vale ya. $1 denota sun en lo stats pare los csles &, <'N ‘una formula altematva coneeta es agyeEBSE Evist oa donde wes el tematic total revieado de i mest en estos estate. 58 ESTIMACION DEL TAMARO DE LA MUESTRA ~~ CON DATOS CoNTINUOS as férmlas para la determinacln del valor de » en una aig: ‘aacién pia estimada son lak que te dion ena Sen Pa on: ‘Secin presents is Tismuls pra cualger angen on ages isos especiales de wlidad. Se supone que la eximacion wc Sen rifled con vatanzaV. Si en lugar de elo, erpecten el regen de ecm & (Sec. 4.4), V = (4/4) donde ton el denis cameron iene ala probailidad que podemoe conceder de que @ Goce ‘dao margen descado, Estimaciin de Ia Media de Poblacién P Sea t 16 extimacén de $. y ra m.~ won donde byw an so eas, En estos érminos, a V(G,) antcpada (por el Tesrema So, See 83.) e (a3) con Wi NN. Esto da como fécmila general pare -— 649) Ved e mia? fi se fgora Ia ep tenemos, como primers aproximactéo Sl ma/N no es despreciable, podemee calcula como se (346) a cates parlors, ls fScmuastoman varias formas que Pue den ser convenientes para el eleuioAlgunie seo Asignaclin Spina supuesta (para w fio); tm « Win n= EMP an, vede m a5)See HOHE HEHE SEES SEES EEE EE LEE EES Asignactin proporcional: wy = Wy = N,/W. Lwin! ie (sae) atimsein det Total de Poblacin Yes ¥(Pa) desea as formulas prntples son 1 genera we WaT Nat oe COptimo supuesto (para ® ip) ao fitek, sso is Proper: GENa nant es He Rjenle Eats sjmplo mviene deo aril de Coma (3847) qu ‘ine ena antes ureradadet yale de ne es Ue ‘Sida cn 1948 porn tian Gr educa celts Ge rnc st Slows pa lt cadtnico 1046301. Le etn pr pba ‘eT cen Ge maneze 7 eral namale fe ts apes eno "tne le Gul we Ioaac no pene. Lwin Pence ety Tonstureoe gor tao dee niece cos nie comens es ‘ainda Suidn posal sfe Sadan Tots fou”&f oes ‘Sel “pia” bunds nee rare ‘eos image En 1043 el mer tal aegis pra ae ‘Slane fr e 86 478 De mado gure ect edna dees (05156472) =2904 venir 74976 4 pune citar gue ender de outcome mayer en 148 ae 2 1867 gona aonactn dea cee prs sts ncn. Hn a SS see east eo or ge pe 3 xo te B ae HTM 34 moon Boe vale de By 7 May ue Ae comin anes ceebtil asl et sea demeie a exbeege nae eg aye titi we pimeceapeceacon gue ene apa at ee ey crn sTE OH vanes ences un afte, Pa lancome eh (880), tenemos sane Sgro un tra de munara de 56 vnidder* La my par enon i tole apes en aclu el Ide Sec de is Paha 510 MUESTREO ESTRATIFICADO PARA PROPORCIONES ‘St queremos estima la proporein de unidades en a poblacion ue pertenesen «una clase dtinida C, fa estratfeacién dea se tiene si colocamos en el puimer esto toda nia que prtoneey AC yen el sogundo oda unidad que no perenezca ©: Sento Falla ‘Estamos de constr estates tales que la prnperian em In la € "Yank tano como set pole de estato& cir, | proporeién de unidades en C en el hésimo etato y en la mises 124 de se esto, respectvamente, Para Is propotcién en le oblasin total, la estimachin apropiade en el mucseo aleateloestath: ado es penta ie en ec se siren depo et Vpn) = a Prasha. Este es un caso particular del tcorema general para la varianza de la media estinada. Del Teorenas 3 11) P.O, 65) VG Emin ee Ses mw una variable que toma el valor de uno cuando la unidad gx eh Cy 0 en ott caso Fr te Soe, 0.8 Eo oa ot om "6 gue para estavanable aft nos a9 Esto dao rested, Nor: Pricticarente en todas las aplicaciones, aun slept noe desprecable, lo técmnos en 1/N; serin depreciable yo, Puede usar Ja siguiente férmula geramvente rads stp, Med iRE Nmap MEAG A) t5oy {ost bea set a naz om mle 2 Con sian pop 639 639) Para Ia etimacién imueszal de la vasianaa, suntuyepig/ $Byca2 Pet Ia imesenta PO4/my on cuslgucra de las toma, Incadas anteroments, La mefor elect dem para minimizar Vip.) se despende de 4a toria general en la See 85, Verinea minia para wn tomato de muesee total fe, NENVRTINV RO + SRO ™ Se a (5.60) YVarianza minima con un costo fio, donde cota =e, + SC. ee Gor Fl valor de m se encuentra como en la Se, 55 Por lo que 511 GANANCIAS EN PRECISION EN EL, MUESTREO ESTRATIFICADO PARA PROPORCIONES ‘TABLA 88, Maaciie Meter sez MoceTien Fetuneans POND =P rn A ro AA2KO)) mutate) aoe) Sn Ba aie 2 ioel proporion estima, muluplcads por n/(1 —f) y la akima Golumna esté formada por ls prcsenes relatives dl pueatice ee teatiiado respecto al muestrvo aletorio simple, La. toners oo Prin es grande slamente en Jon timos dos case, ara comparar Ie asignactin proporconal con Ia asigaciéa dp- ima eon nfo, se encontracd que ee Ighora la opt vp EMEP, EMA gay Por lo tant, Is precisién relative dela stgnacéa propordonal ree ecto ala asigaacion dina es, Vig Wi OG? Yeo EWR, oy Si todas Jas P.se encuenttan entre Lat das valores Py (1 — '), estamos Intetesados en el valor mls poqueao que totase la cision relaiva, Por simpicdad, consderemen dom estos de igual famato (W, = Wa). La precsén relativa minima se sodene chee 0M. = 3 y P= PL Entances, la precision ratva Ven OS FDY Yor 2025+ FQ Le Atos valores de st fac se preentan en la Taba 8.8. Aun Gin P= 01 an alo como 09, a prectn rata ex SIS, Ea a ‘ayo de los col simplihdad a caracternica de anopoeecn in dela estaifcacin proprcional hae ms que compentae Ie Nee, Pada en precision, Deten notars las Lnitacions de est clemplo, No toma en con Sideracion los costs diferencias debi al musts em os sro (es esratos, En algunas encuestas lat, son muy pequedas, rerp ‘arian de, digamos, 0.001 a 0.05 en dierentes eatratos Aya hebek luna ganancia ms sustncial respeco a Is esatficaién doting, 5.12 ESTIMACION DEL TAMANO DE MUESTRA CON PROPORCIONES. as formulas pusden deductse de las mis generalesen la. See 5.9, Sea Vln vaciana desada en la extimacén de la proporion 6 a pobacin total. Las férmulas pare lo doe pos prin de ssignacin son Is ipsents, Propoeonal mE Mgt (565) rey Opti epuet: roo Ea " ss 1ST Wine onde my es la primera aproximacié, la cual igora la cp, ym eet valor coregdo tomando en consdericin la ept En A cus (2 eiasféemulas fos fuctres N,/(M,~ 1) se han consiaerad como 1 unidad. Estos resultados son aplcabes ala esimacion de una proporcin, ‘ls: prefect pensar en trace pocentle, las mls oom us we aplican oh Pw GeV, ets expresan como porcanajes Pera 1a stimacién del ndmero inal de uniades en la pelscon ate teoecen ala clase Ce dct, de NP, todas las vacanas Suto can per N EspRcicios cate ym 3m d sel) ba tn an mute Foes Guanes do 1 MirsGud- ©) Veter tut Vn) teal eae eels tia E2587 90 Vy Fy) cmenrla one coe te ge 8 245.198.) Khao dea trmala $37, Pg 396, pee elon Ye Gh) sraments inc Pree no comm eke does ee soninaday «otro 2G tn en casts ee tule corner5. tas fay de um plese van ¢ montis par einer Ie ean (ot al. ples que wa ata tn erate ean ee 353 act mie Men ee extent ene cage Sek beta. ye een ur Sy nn propose ne cana Se art ‘unto de seta tle.) {Clo tte tnu muster de 1600 aha, elo don eats? (8) Sc objetng ot oimat Ie teense Ca ‘ees pox faa eo amtoe eat, Lem dae erin datas I Secret ‘must en ca ats ee (2 ssriion provera (5) aga opaina. Compares Peden (etn rotor cn a el use esti ae ‘Tamato ea Nine de "cde" Dena opided "pronase ‘star er) me % s Daag = ia a a 3 43 54, Vertue al mete eaten a rma 338, See. 86: Yan eB lems» Leones] Pep neil aha err oka ea See ae ere ee pre peopel SU SELSSGS Rice hee eee Maal), Woy Wey YoU) Wie + leP Mei et bre vac a a 56. Un mocsaier propo tomar wes mutica sktens etstieads Sew % & G 2 Uneean, a) Eacuense as valor n/n 7 my que latin Yor cvos de x es Vs) ) Eacoman sm Se maar {6 (0) (Gul ser lent al de camps nt VTi) = 8 toe Ne Seas gee ego enn waded te So pr ee ‘Seto de capo tn comparace cnn uefa babe evans (Ph Sheek VG) =1 pan den or coos Sumas Sasa 55) (Nets ta ened CouchyStbnnt ene Pig toe an cme tit re be 9 8, om Ente Wi Ss doesnt i ale Io talon de mera nym, aeons om abo exes pura sssacer ls gtr enn Cis at aus ca tke et ce By die or 1 el tna Se meres al ny ye Init.) Hero eindar de mata exmada Seca’ Casas TS coy Sin as Sie en cen ‘loci administra, en gar de war los valces Gada pt i Sipe So eran 8 Ys), VC pooh ae vaca dads poss ala 2 Ztail Seman, sepeiament dense oe es 1 Racoon a vane ot Yar) vat GS SE 0 cs ne ese cae Seo, ene ean ostrr Jn my pun ue mena de tmto 1000 ale ln sete Baw Sg Hosea pean Getoezcuen oa x fama m co sigan propecia y VC) ea ‘etna muses eats ine do td de ayes Sm sa, et ete eae i 18 Compe a vrs enor para ¥(9.) tle atgacin prog dal Ia actin pina para tama ae meses eo blir ene Cais watt Sete eee ee am cats 2006 redo gener ve ht con eas don plane? 2 gs EMORY SRE-S FO. 14, Eo won compat #28 de bn emleden son homies egeine,| was tS so a {518 La Féemala (27) prs evans muna de 4 Nea se Mat Engen Desyen2 Mae > toe «mee oie i neon prs VO Lou toe nm de Riis a arate arly man an {2 gee Homi rues a 100% al sats en at es $5 aioe ots autos wn las oe Te Burin Seba 3 ci pine tg woes Sas nea cE i remieceiaaae (2) Mecos gue lo dines ys cre we mumvan eI china do SEES © sete VG.) eri Fmt (0) yore Fema (AD)CAPrTULo 5.4 Otros Aspectos del Muestreo Estratificado S41 EFECTOS DE LAS DESVIACIONES A PARTIR DE LA ASIGNACION OPTIMA, ay ‘Apanir dela Ee. (5:27) la vartanza minima ex pb ms? tna tera ere, como no 4 concen as, slo demos aprocnar $19 SIAC. 8A ot tsmatvondo ee et ng ‘rr leva que de ecko weakens, apa dele Be aba SLs ws? GAs "Ht sumento en vaana que oxigina Ia asgnactin impetecta oo Yn) Vaal MES Ley wg baySCCECETCELCHSSSEESSSSSESESESEEEEEEE nol primer trmino do la derech, sustiyase WiS, por su expee: sion en trminos de my'a parr de‘(GA.1). Eso da el iguana. fullade interesante vaio Boa LENE ent (as) Regesando ala Ee. (5A.2), sa pe (Amo tring « le derecha 5 despeciae, tenemos que 69, ‘Por lo tanto, el ineremento proporciona en la vaslnaa que resulta 8 parts de desiacones de x aignacin Optima et Yia)~ Vas) Veal) donde 4, es el tamafio muestral real y my’ el tama mucstal 6p ‘mo en el exttato h. La epf no es despreiable,entonoes el signa’ e ‘qualdal en (5A.7) se conviere en sino de desigualiad >. Sea = i= m/f Ie ifereniaabsauta en os tamarios dela muestra’ en el esato hexpeesada como una fricelén del tame eal m. Entonoes (5A.7) vione 8 er Vas fs Yokes § Sy (as) wan luna media ponderada de Ios gy. Ua lite supecin conservader po 1 (V~ Vaie}/Vor 8 PO tanto, g donde 9 ela ierencla proper onal mis grande en cualguler exrato, De indo que sl gr 02 © 20%, el inctemente proporclonal en la varianaa no por. cscedet (0.2) 04%. 81g = $0% ed inremento proporctonal en la varianes 1 guano mis 0%. En este send ponde deco que el Gino ‘Mdemte, (9A) sauere que el me super g* en fecuer- la esimard en exceso el inemento properional en la varia eh ‘una ‘canted sustancial La Tabla 5A, ds un eemplo con tes eta tos para = 340. La asignacién optima requiere tamatos de mus. {23 de 200, 100 y 40 en tanto que los tamaos reales usados son 150, 120 770, ‘Como el valor deg 6 0.43 (estrato 2), la ela aproximada da 18% como el ineremento proporconal en I2vatanza. De a columns e wk eam hoa eee) i Ty ose mostra Tas 167 de Ia derecha, sabomos que el sncremento real es de $2.9/340 = 975. Evans (1971) examiné 1a misma eveston en tésmins de tos foctos dels errotes en las S, etimadas y desarols una tele peo. ‘moda que. muestra ei un dpe eatinad er de copernce gue sea tis precio que una axighacién propocionaL Ese autor supe- ‘be que el coeficente de vartacion de la, eatinada es el mismo en dos los carats. Fate supuesto es apropiado cuando las Ss fu ‘on estmadas de una muestra prelianar del mismo tama en cada ‘stato, Evans nos dice oémo caleular el tamato de una muestra preliminar requerida para hacer una asigacion “épsa” en. pro Ietio mejor gue la asiguacén properconalSckhatine masts ‘esiormenie (1852) que‘una muestm dncal pequena da usvalmen- te una probuilidad elevada que la angnacion “optima” sev superior 4 la proporcional. Ver Sulhatne y Sulbstme (1910), Dag. 87 54.2 EFECTOS DE ERRORES EN LOS TAMASOS ‘DE LOS ESTRATOS Para un tipo de estraifiactin deseada los ttales de eatstos Ny ‘eden no conccerse con exact al set obteidos de dates de ce fos anicuados. En ye de las verdaderas proporiones de estate {tenemos erimaciones wy, La estimacin de ¥ dela muestea es Pan En tkrminas gmerie, lt conssrvenslee de wour ponderars res que ein en error ton las siguonts 1. Ls estimaciin de 1a muestra tne sei. Debido al sesgo, ‘medimos 1a exactnud de la estimalon median ta ereorcusdeico ‘metio rspecto a, en lugar de media por su varansa rspecto @ propia media (véase Ia See, 1.9), 2. El sesgo permansce constants conforme eumenta el tamefo ela mueses. Consecuentement, sempre se scanza un tamafo Genuestra para el cual la estimaciin es menos precisa que el mues- tte aleatori simple y se plerde toda ganancia en preci debido for strats, 3. La estimaciin usual s(n) subestima at verdagery enor de Hos ¥8 que no eantene Ia contebucion de sago al error, Para jusificar estas declarscione, nétse que en mucstte re petid, ei valor medio de I estimacln es ¥ wy Hl sesgo alcanza, orl tant, na cantdad igual a Lime WT [sto es independlente del tamafo de mutstra, Para encontar el ‘ror cuadrco mato (ECM) de Ia estimacin, es fuel vecat (ue el término dela varianzaestd dado por ls férnula usual, con th en lugar de Wi. Por lo tant, nist ECM.) Ai Eim- MOP a9) Esta expresin fue dida por Stephan (1961), Finalmente, la ocmula usual para (jj) es Garamente una estimacion sin sesgo dal primer téemino en (5A) pero no tome en cuenta el segunic jel _ite hte Ie pla om pecda dbid « pndeacones i ert uando i einen Ca) Pansat, (B) ans ater Coan ns pablchn anda can $= 1 rca der ess Seeger OF Simm 5, Emon dering SDM SPE HAO caro) ose 1=82+008F,- 99" ‘orinal reduce i anaes en 9%, compara con muse sass sng ae ED te T= F, = 3, dando = O18, wn deinen tans (mol ¥) 1 gue (os = = ~ C2, — Wi). Supongn ue lat ponderosa Mader tou, = Ody w, 006 Hag santa (O02)%) = 82 ma) Mure ales singles ViB) (>: reaayg = 2 are nee ake 5, cm un ‘ites doe mie ham = To (em ao us ee wp a 9 = En algunas encuests puede tomarse una muestra preliminargran- de de tamatiow para ester Wy Hata teniea,conotda como mues treo dole, o muesireo en ds fase, ene numeroas aplicaciones y Aiscate en el Cap. 12. Se mortar que con muestres doble el enor cuadtilco medio de gj ex aproximadacnente Gan CComparando esie ECM con $%/n, como lo da Ia Fe. (SA.10), ve mor que lt mayor parte de la gananeia dela extraifcacon se ee. 2e, siempre que sea mucha mis grande que n- Pata poneto eh forma més general, un grupo de ponderaciones extmadas preserve 4a mayor parte de ia ganancia potencal con estredfeacin, atlas ‘TABLA 5A. VatonesCoumanances on EOM(D) «toe o com Gameponderacones son ms exactamente esimades de 1 que Jo serlan on una muestra aleatoda ae tambon 5A EL PROBLEMA DE LA ASIGNACION CON MAS DE UNA CARACTERISTICA Dado que generalmente, a mejor asgnacién para une carate- tes no seri la mejor para otra, de logarse a agin compromiso ‘n un reconocimients con caracerisicas aumerosassH pect paso sredutr las caracterstcas consileradss en la axignacion sun nt ‘mero relativamente pequefo donde se consderan las mds impor {antes Sse dspane’ de Buenos toy anteriores, pedemos entonces calular la asignacion puma para cada earacterisica, separa mente y ver hakta qué punto exste desacuedo. En una encuesta de ‘un tipo eapeciaizado las corlacones entre Ine_carsctriadcas Dusen sr alla yas asgnaciones pueden fei elatvamente pac. mole Las ate dado poe ener (3942) tien wan ence de tas tip con fae endo sft nen tne ion pope ies cada vou despa de sora anv neil seed peeks ‘gos gor easton in uedas co sno ean hous So ‘elton shea: Las tn earceratat So aor its ton rete ‘crc eden a ds mes S alone ne px cay coses ict nn cet pr pte De uh etc Sprain Tet a Tot SA een as nce Ses ‘Simacln propre 167s yar aaclne ns co. My veces Galones "lets ato F ecitites Seiecm “USS — Sere Sia a BSE lam es aia eet ‘io de ainsiin Voom Caleoes_Enraday Clemens ot toms Te Frverconst ont aan esos pata st cerca, mete oo econ dete ech, over una again de compromise etalceaa Te. Tale $43 moc Tarvaratan de mentee sped de re ‘ya da lat iin pines Incas, a Se comple Ohara MSY Est ‘scl pole unas sigan pings sparse pate ca eMac o- wa Bh nin nl an [Er see ec ee compro lo mor ddan. As STRATA tei orc din co nee 7 ‘alse rote Huan Se ue lpi ans, 1 Gr se eons 5A4 OTROS METODOS DE ASIGNACION CON MAS DE UN ATRIBUTO ‘Una asignacién alternatva de compromso e+ Ja que sugere CChatejce (1067), on ella se eigen los m que minima eee medio de los inerementes proporinales tn vaianza a parti de(247) al tomartos sobre tas variables, Si j denota una varab esto nos leva elit. mam linc/ fon a2) onde ris ot amafo Spo de la mucsea en el esteato h para Ia raralej, Para Jos datos e la Tabla SAA, donde on Geeeece Indivduales silo dfewen poe, los mde Chatej waren tt (at promedio m, de Ia Teta 5A.4 en cuando mucho carta waieh en cualguler esate Shi Se neces lpn principio pas determine la sos uit y Yates (1060) sup dn te es, que tne cn Era El prineo se alice a encuestar con un ebjetvo especico en onde 1a peri deida an ‘ae tohorwo-tabwfl a eee cara my an) eptlleass) te m(cass) aw om ua fant ned ar on etn mt, enee CoestE om tars Amman tie de (6) pine dea eta ni ge oye os neta cae Borla desigualdad de Cauchy.Sctwarz. La constante de ‘aliad se encuentra al saisfacer la rention dada pase Pepe emplo supéngase que el valor de L ot ha especiicado y que et téamino ep puede ignore Tenernat ny BA) EWA) donde A, =Va5q, El tamafo de la muestra total es, por (SAM) arn) Ye maa) caw En segunda sugerenca so especfics la vavianea deseada de V; are cad variable, Para medias de poblaciin esto signifies que EMS fey yara ny ean Se vsan signos de desgualdad porque Is asignaciin ms econé. ‘ica puede Proporconar varanzat mas pequehas que lus Vs poor algunas caracteiatce En esta sugeen cucrdo a las tleranciesV; y las condicionas 0 & ms © Ni Hl pee blema es de ‘Yates (1960) y Kokan (1063) desarolaron metodo Ge eerie ‘én sucesiva tustrados en Ia segunda ediién de exe le ‘Un primer paso oll es encontrar la asignacda Sima, cepa damente para cada variable asf como al cosio que snishare oer, ‘erancla. Témese la varlble, dgame yy paral cual econo Cy mts slevad, y examines aloe valores Spies m pare ie sts fen todas las ores (k= 1) tolerancias, Be sor anise wa eo Aslgoacieny el problema esd resus, ya que ninguna om slgos, le, sausfaré la tolerancia V, para y, aun costo tan bao come AI extdiar una serie de ejemplos en tn problema rela Booth y Sdranck (3060) ha sett que, aula Ge Us pers, de cilculo, se puede chtener una buena slucida al segunde eee de Yates, al resolver el primer probetna que es tds tach Dense, (etficar que L en (54.19) tended el valor V* = SV, donde at ¥) som las tlerancias individuals deseadas las «te haces fo Yersamente proporcionaes a Tas V;, Ast con don variables an V7 AV, VIVE) 7 eB (sazSESCEEEEEEEESEEEEEESSESEECECECECEES jempla. (Para cuatro estas, doe variables) Los datos y 1 apleaion aproximad det métedo so demuestan en las columns (1) 2 (6) dea Tebla SA. Bl problems ex encontar el'n mds Fe" ‘que para que Wiyn)S004, Vifqe001 cm 8 Oo o oo een ¥% ho AMTe WA 8 8 em ue i" Teale 3416 7 Al encontrar Ia asignaciin puis para cada variable en forma ‘Independiente, fcimente oe verfica que m ~ 625 esl requrido pare satisfacer 1a primers restccon, y = O76 pita satefacer la + funda, Sin embargo, 1 ~ 676 con si asignacen no satisfac la pe ‘mera restriecén al cbtenere 0.0580 en hugar de 0.08 para V.. Una sclucn de teracin para satsfacer ambasreticlones (que presen amos en In segunda edickin) dio = 732, con el a gue aparece en la columna (7) ée la Tabla 5A, Para usar el métedo do Boob y Sedransk om V;— O08 y 01, especiicamos y= BOOU001 55 wa A prt (0418) con = 3 ene Coma) caer 7 “iste ‘Al usar la columna (5) de Ia Tabla 54.6, De (6A.17), I columns (S) tambien conduce a les valores m que aparecen en la alum ‘a (6) dela Tabla 54.6. Como se ve en las courmnas (6) ¥ (7) las dos soluciones my A, concuerdan esisfactoramente Como lo hacen notar Booth y Sedransk m < & en todo lo pro: Demas de este Upo, ya que m satisfaoe la resttcckin L~ V*, peo po es necesaio que satsfaga In retin sobre cada vataie, em tanto que la asignacn @ saustce L, al gual que ls restecones indivdusles. 5A.5 ESTRATIFICACION EN DOS DIRECCIONES, ‘CON MUESTRAS PEQUERAS Supongamos que hy dos exter de extranet, digsmos por fas € cohurmas, logue de RC cléan. Sin > RC cada elds se ede epresenaren Ia mest Un problem surge cuando m < RC dees ques mors nos der Ia represenacin proprio] Lo tade cers de erase, En ut mts spl dealado tor Brant HardeyyJeswen (1060), a toons sto gue que » ods a de pate de By Para dustar ese méiodo, supongamos que se estat una equ polacién de 165 ercblan egal mabi aol, xno ae sin lento ome pram, nut di Ses, Les mimeros de escoeas my Ing propercines de esuses y= mg/l en cade wa den 20 clas te muesuan en le Te wis SA yeefemmmletanichae aleurone amen Feshjev de dar vcd aca a opruniad ia le ln, tanto gues de a can ase aga ns ores Fopordonal, En sta lsacienn = 10. Cate los Nines meee {20.'7 nj = aR, dnde esos pacts se londean aes Prinimo (Gon un ahne senor poner sae ace Seal fea gua os ov nana men) Ets nna See enlateta SA Er siguiente puso os extaer n= 10 eadas con probable sno" pata sna cil Ee hace'l sosoa ee don’ (Tala $48), shies 1 setae une trea Ses nl lea sexe al azar un ag etmnas sess a suessivament, Alin, cada her y cada cdumna content’ sad (Esta enteacto se ce mde ipdemete onion ea sutacin al azar de lon nmeror 1 2 10) Los rss he fa ‘accion se fntican con een abla Sh TABLA SAS Coupe 10310 nina Exrasa La examin SSeS [Néte que las columns 1 y 2s asignan al estrato marginal A ¥8.que n= 2 Simslarmente las hier I hasta se angus af rage ‘marginal I ya que n, = 4y asf las dams, Esto complets lc scipercen de ta muesera alas 20 celdas, La asignacin apatsee en ane Ieee ‘mds compacta en ln Tabla 64.9. Dos enuels se eaten al azar de Sais ron oer an Set eng tne on em a pabad Saif alee een aaa fe een Cervo a gy Siete ai roost, ‘ii, Seat a meee Gee we ac cl as stout una tse ae i ee sngs ab See ne ae “me ee oe ldap ce sn ee {id cme pr en cpu ae ein a ‘Sera mu pds So B.C carne Sy ee, mo Sov Seren yon Zomeee hc sigma ces Py ry archon denen, on a tena baa em. St main rps east ace, ny ul Sie Dy = ah, hy eps dae Se Sead cn ys ur cae pane ae ai en Be aia ale call Seta wonteane ae deur per ct sgn Ng Foe ok ae 58.0 SELECCION CONTROLADA Gondman y Kish (1050) nos den otra téenica part este pro ‘ema con muesias pequefis,Ilamads eleccldn contoladeExite tana hstracin simple dsbida'a Hess, Riedel y Plepatck (1906) {B stlcaron ol metodo «un muesteo de horpitles, donde svat 1a Hea bisica. La estratificacian principal es por a tamatio del bospital (doe estratcs), También os deseable 1a representatén do dos pos de propctarios de hospital, pero slo se va a extaerunaunidad (hospital) de cada estato principal. Al numcrar as unas dentro eos esratos so usa una prima (°) que indica un po de prope fad, Ia ausencia de este siibolo ines el otto tip de propiedad La Tabia A.10 (lado tquiero) muestra las unigades en ambos esraton in mint 1 Gras bea 1 Pqueto Reel Grn bed Poche Boal Si se extra la unidad 1 0 2 del estrato I, descaramos extract las unidads 9, #0 dl estrato I, de modo que amber tipor de ‘stratifleacin se eneuenten presentes con n~ 3: De manera semi. Jane, 30 4 (esuato 1) es la unided deseada Con 192 Cestato I). ‘ua sclecchin controlada hace tan alta como es matemiticamene ibe Ie probaiida de esas cembinacioes deseadas, al contervat Ja mma probbidad de seleccon dere de Io eats y, portant, lus estimaciones inseegndas por medio de las frm wanes para ‘Lmostreo estratifiado. El propéste es una mayer exactitud para un 1 dado 0 bien, un aborro en costs de campo. (Con el muesteo aleatoro estretificado, Ia probabildad de una ombinacin deseada es ()(.6) + (5.4) = 5, Esta probeblidad pode incrementarse a. por ds eambion simples en la seleciin de | mientras Se reacomedan las ndades dl extats ty de na Gu las combinaciones deseadas (9% 47) cam 117 2 en dl estas 1 aparezcan primero, como se ve ala derecha dels Tabla SA 10. Ps: ‘exiorment se extve un ndmeroaletorier entre 17 100,78 usa par Seleccionar ls unidades de emebos estat, Enel etre 1,1 <' F< 25 seleccona Ie unidad 2, etc, de modo que cada unidad rece un ‘arto de probablidad de ser sega, De manera semehant, en ‘stato la conden 1 2, también Murty (2967) obtiene buenos resultdos con el méiado de Ekman {as relaciones (SA. $2) tenen una consecusncia interesante Sk WS: constante Ie asignacien de Neyman, da un tah de mice tea constante m= n/L en todos los estate, Para lon métodos, ap. imados, las comparacionesrealizdas sugieren que a rela ape nm nL es eattactora, asta dou, hemos supuesto en forma poco realsta que ls esr ‘uncacion se puede Basar en los valoos de y. En la pricta ae uliea alguna ors variable (tl ver ol valor de yen sn eenso recente) Dalenius (1957) desserolla ecuaclones para lies de = que min. imisan E WS siempre y cuando se tengn certo, corocimiens Je la roprestin do y sobre 5. Si esta ropresion eg no line ests ink tee pueden diferieconsderablemente de los Spins. cuando 2 es In vaniale que se mide. Si embargo, las eauaclonessigiican quests reqreion de y sobre 2 e8 lineal, Ia coreacin entre yy 65 alta, dentro de todos los estas, Ko doe conjunts de ler deberan Sar east Ios mismoe, Seu yeatsere donde E(e) =9 para tao elas =o son coaconads. La ‘sana de « dente dl era hr Su once ln ns de ve minimizan Vg) sasfacen tas ecuacloes (Duels 1887) Bana? Sat}9250 Bese) 428h.1 BSUS SS Bae dT Ss S/o pegs para td has ecuncones se ducer ln frma (6.371 qed ell dimes pra Fro 08°98 © Gavin donde es la cosaci ent 97 = dent ele Aunque or nocesro continua la Invexiguiin, ete redo see qu erga de cam VF apleaa ax deri rim eth Gc efit ps ora vale que ene a eres eal £5 con comcast sevatn. Alginon Tear ninct Por esha’ (1961) cocberan ea ont Ades, ln sou ‘ens moderns como succor cuando aunts el mere e {esl lla, al war lor limites dpimos de deere tenes ttecto mene en 1a discus anton ot dee Ingo, pecpalnente pernnte 4) mucsto de insuconesestatiendan por alguna made ‘ama, La acne lee cuando om gop devant tt