Documente Academic
Documente Profesional
Documente Cultură
Indice
1. Introducci on 4
2. Varianza del estimador del total poblacional bajo muestreo sistematico 6
3. Algunos estimadores de la varianza 10
4. Varianza del estimador bajo el modelo especco modelo de cola de ballena,
WTM 12
4.1. WTM poblacion continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.1.1. Estimador del total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1.2. Varianza del estimador del total . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.3. Varianza del estimador del total considerando un error en el modelo . . . 17
4.1.4. Estimador de la varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2. WTM poblacion nita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1. Estimador del total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.2. Varianza del estimador del total . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.3. Varianza del estimador del total considerando un error en el modelo . . . 22
4.2.4. Estimador de la varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5. Experimento emprico y simulaciones 23
6. Anexos 25
6.1. Relaci on entre
V
Sdi
y
V
GC
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.2. Derivacion de V
WTM
(
), poblacion continua . . . . . . . . . . . . . . . . . . . . 26
6.3. Estimador de
t
_
,
se aproxima usando la formula de Euler-MacLaurin con varias modicaciones, mediante lo que se
denomina el termino de extensi on, bajo los supuestos de que la funci on f es suave a trozos (m, p)
y el intervalo muestral T es lo sucientemente peque no, con m Z
+
0. Garca-Fi nana y Cruz-
Orive [6] proponen una generalizacion del estimador anterior donde m ya no necesariamente es
un entero, misma que se obtiene a traves de un renamiento de la f ormula de Euler-MacLaurin
usando herramientas de c alculo fraccional.
Tomando la experiencia que se maneja en esa area referente al grado de suavidad de la
poblaci on y al orden de la misma [8], derivamos la varianza del estimador bajo muestreo sis-
tem atico asumiendo lo que denominamos el Modelo de cola de ballena (WTM por sus siglas
en ingles Whale Tail Model ). Posteriormente, proponemos dos estimadores de la varianza en
base a los resultados obtenidos.
Este trabajo esta organizado de la siguiente manera. En la secci on 2 se introduce la notaci on
b asica, el estimador del area o del total y su varianza considerando dos tipos de poblaciones:
continuas y discretas. En la secci on 3 se reportan tres de las aproximaciones encontradas en la
literatura para la varianza del estimador. En la secci on 4, se desarrolla la varianza del estimador
bajo el WTM y se proponen dos aproximaciones para la misma cuando se toma en cuenta un
error en el modelo. Finalmente, en la seccion 5 mediante un ejercicio de simulacion, se muestra
el desempe no de las aproximaciones propuestas.
2. Varianza del estimador del total poblacional bajo muestreo
sistematico
Sea y
i
el valor de la variable de interes para el elemento i de la poblacion nita de tama no N,
cuyos elementos se enumeraran como U = {1, 2, . . . , N}. Se selecciona una muestra de tama no
n mediante muestreo sistem atico, s
r
, la cual consta de las unidades s
r
= {r, r+T, r+2T, . . . , r+
(n 1)T}, donde T = N/n representa el salto o intervalo muestral y r denota el arranque que
6
es una realizacion de U
r
U{1, . . . , T}. Para simplicar el problema, se supondr a que T Z
+
en el caso de una poblaci on nita y para simplicar notaci on, las unidades en la muestra se
enumerar an serialmente como s
r
= {1, . . . , n}. En este trabajo se usar a indistintamente i s
r
o i {1, . . . , n} para denotar que la unidad i pertenece a la muestra.
Esquem aticamente, el metodo de selecci on se puede representar como sigue
b b b s b b b b s b b b b s b b b b s b ` ` ` b b b s b
r
T
r +T r + 2T r + (n 1)T
nT
Considerese el caso del total poblacional t, el cual puede expresarse mediante
t =
N
i=1
y
i
=
T
r=1
t
sr
(1)
donde t
sr
=
isr
y
i
.
En general, si s
r
es una muestra probabilstica, un estimador insesgado del total poblacional es
el denominado estimador- o de Horvitz-Thompson:
=
t
sr
=
isr
y
i
i
, (2)
equivalentemente, el estimador puede expresarse como una funci on lineal de las variables indi-
cadoras I
i
,
iU
I
i
y
i
i
,
donde
I
i
=
_
1 si i s
r
0 en otro caso
y
i
= Pr(i s
r
) = Pr(I
i
= 1) es la denominada probabilidad de inclusion de primer
orden.
La varianza de (2) est a dada por (Sarndal [17], resultado 2.8.1)
V
_
_
=
U
_
ij
i
j
_
y
i
y
j
=
ij
j
y
i
y
j
_
U
y
i
_
2
, (3)
7
donde
ij
= Pr(i, j s
r
) = Pr(I
i
= 1, I
j
= 1) corresponde a la probabilidad de inclusi on de
segundo orden. Si se cumple que
ij
> 0 para toda i, j U, un estimador insesgado de V
_
_
est a dado por
V
_
_
=
sr
sr
_
ij
i
ij
j
_
y
i
y
j
. (4)
En el caso de un muestreo sistem atico de unidades con igual probabilidad, las probabilidades
de inclusion de primer y segundo orden,
i
y
ij
son, respectivamente:
i
=
n
N
con i = 1, . . . , N
ij
=
_
n
N
si i, j s
r
, r = 1, . . . , T
0 si i s
r
y j s
l
con r = l .
En consecuencia, el estimador del total (2) y su varianza (3) se reducen a las expresiones
siguientes (S arndal [17], resultado 3.4.1)
=
t
sr
= T
isr
y
i
, (5)
V
SY
_
_
= T
T
r=1
_
t
sr
t
T
_
2
=
T
r=1
_
t
sr
t
_
2
T
. (6)
Desde el enfoque de la Estereologa, el par ametro de interes t puede ser escrito como la integral
de alguna funcion de medida f sobre un espacio unidimensional, es decir,
t =
_
R
f(x)dx (7)
donde f : R R, es integrable, con soporte acotado en R.
Los puntos donde se observa f son tomados de una muestra sistematica, y por lo tanto, la
informaci on con la que se dispone es {(x, f(x)) : x s
r
}, donde s
r
= {u
r
T + kT, k Z} y u
r
es una realizaci on de U
r
U(0, 1). Gracamente se tiene que
urT (ur + 1)T (ur + n 1)T ` ` `
a b - T
f(x)
?
An alogamente a (5), un estimador insesgado de t es:
= T
xsr
f(x). (8)
8
N otese que
t
f
(m)
(y), x R, m = 0, 1, 2, ...
siempre que el lmite exista, su soporte es el conjunto
Df
(m)
=
_
x : Sf
(m)
(x) = 0
_
.
Se dice que la funcion f es suave a trozos (m, p), con m, p N si:
a) Df
(k)
= , k = 0, 1, ..., m1 y Df
(m)
= y
b) f
(k)
tiene un n umero nito de saltos y estos son nitos, k = m, m + 1, ..., m + p.
El orden de la primera derivada de f no continua es m, es decir, es el orden de la derivada
en la cual ocurren saltos o transiciones.
Originalmente, Kieu [10] supone que m Z
+
0 y obtiene que la varianza del estimador de
t, bajo un muestreo sistematico, si f es de orden (m, p), esta dado por la expresion siguiente
V
SY
(
) = (1)
m
T
2m+2
s,tDf
(m)
P
2m+2,T
(t s)Sf
(m)
(s)Sf
(m)
(t) + o(T
2m+2
)
= (1)
m
T
2m+2
P
2m+2,T
(0)
tDf
(m)
(Sf
(m)
(t))
2
+ (1)
m
T
2m+2
s,tDf
(m)
,ts=0
P
2m+2,T
(t s)Sf
(m)
(s)Sf
(m)
(t) + o(T
2m+2
),
(9)
donde P
l,T
(x) = P
l
_
x
T
_
x
T
_
es una funci on con perodo T, [x] que denota la parte entera de
x y P
l
(x) un polinomio de Bernoulli, l 1.
La ecuacion (9) se representa tambien de la siguiente manera
V
SY
(
) = V
E
(
) + Z(T) + o(T
2m+2
).
donde
i. V
E
(
) ya
que representa la tendencia central de la varianza. Este termino puede escribirse como
V
E
(
) =
B
2m+2
(2m + 1)!
T
2m+2
m + 1
g
(2m+1)
(0
+
) (10)
donde
g
(2m+1)
(0
+
) =
1
2
Sg
(2m+1)
(0) =
(1)
m
2
tDf
(m)
Sf
(m)
(t), g es el covariograma alrededor
del origen de la funcion de medida f.
B
2m+1
es un n umero de Bernoulli. Existe una relaci on entre los polinomios y los n umeros
de Bernoulli, B
2m+2
= (2m+2)!P
2m+2
(0). Los primeros n umeros de Bernoulli son: B
0
= 1,
B
1
= 1/2, B
2
= 1/6, B
4
= 1/30 y B
3
= B
5
= B
7
= = 0.
Garca-Fi nana y Cruz-Orive [6] proponen una generalizacion de la varianza anterior, la cual se
deriva relajando el supuesto de que los saltos de la funci on de medida son nitos, en este caso m
ya no necesariamente es un entero, denot andolo por q. La aproximaci on se obtiene a traves de
un renamiento de la f ormula de Euler-MacLaurin usando herramientas de calculo fraccional.
La expresi on analtica depende de un par ametro de suavizaci on q [0, 1], que generalmente se
desconoce y habr a que estimarlo o bien suponerlo.
3. Algunos estimadores de la varianza
Como se se nal o, la condici on
ij
> 0 no se cumple para toda i, j U en el caso del muestreo
sistem atico y por ello la ecuaci on (4) no se puede usar para estimar la varianza. No obstante, se
han propuesto varias aproximaciones, a continuacion se presentan tres de ellas por ser las que
algunos autores recomiendan, y porque en una comparaci on emprica efectuada por los autores
de este trabajo, basada tanto en datos reales como poblaciones simuladas, resultaron ser las de
menor sesgo.
i. Una aproximacion se basa en diferencias sucesivas de los valores muestrales. Esta fue
sugerida por Yates [22] y se nalada tambien en Sukhatme, Sukhatme y Asok [18]
V
Fdi
_
_
= N
2
(1 f)
1
n
n
i=2
(y
i
y
i1
)
2
2(n 1)
, (11)
10
donde f = n/N = 1/T es la fraccion de muestreo. Fuller [4] (resultado 5.3.5) se nala
que este estimador resulta de suponer un modelo en el que dos observaciones adyacentes
tienen la misma media, es decir, y
i
= + e
i
con e
i
ind(0,
2
i
), i = 1, . . . , n.
ii. Otra considera la segunda diferencia de los datos muestrales (Wolter [19])
V
Sdi
_
_
= N
2
(1 f)
1
n
n
i=3
(y
i
2y
i1
+ y
i2
)
2
6(n 2)
. (12)
Cochran [3] se nala que este estimador resulta de suponer un modelo lineal para la poblaci on,
es decir, y
i
=
0
+
1
x
i
+e
i
con e
i
ind(0,
2
i
). Fuller [4] (resultado 5.3.7) tambien propone
un estimador muy similar al anterior, la diferencia radica en el primer y ultimo sumandos
de la expresi on.
iii. El el area de la Estereologa, Kieu [10] obtiene una aproximacion del covariograma cerca
del origen, g
(2m+1)
(0
+
) para estimar V
E
(
V
E
(
) =
B
2m+2
(m + 1)
T
l
k=1
k
C
k
(13)
donde C
k
=
nk
i=1
y
i
y
i+k
y l es un entero tal que lT (0, ), intervalo en el que g(lT) es
q + 1 veces continuamente diferenciable, con 2m + 1 q 2m + 2p 1.
Si por ejemplo m = 0, q = 2 y l = 2, entonces
V
E
(
) =
T
2
12
(3C
0
4C
1
+ C
2
),
en cambio, si m = 1, q = 3 y l = 2, el estimador que se obtiene es
V
E
(
) =
T
2
240
(3C
0
4C
1
+ C
2
).
El estimador de varianza cuando m = 0 es veinte veces el estimador cuando m = 1.
Posteriormente, Garca-Fi nana y Cruz-Orive [6] desarrollan la generalizacion siguiente a
la ecuacion (13) para el caso en que m = q [0, 1]
V
GC
_
_
= (q) [3C
0
4C
1
+ C
2
] T
2
,
11
donde (q) =
(2q+2)(2q+2) cos(q)
(2)
2q+2
(12
2q1
)
, (w) =
k=1
1
k
w
denota la funcion zeta de Riemann y
q es una constante o par ametro de suavizacion que se puede estimar mediante q =
1
2logk
log
_
3C
0
4C
k
+C
2k
3C
0
4C
1
+C
2
_
1
2
. No existe una gua para el valor apropiado de k = 2, 2, 3, . . . ,
pero los autores recomiendan k = 2, 4.
Si se considera la correccion por nitud, (1 f), el estimador anterior toma la forma
siguiente
V
GC
_
_
= N
2
(1 f)
1
n
2
(q) [3C
0
4C
1
+ C
2
] . (14)
Garca-Fi nana y Cruz-Orive [6] muestran que para datos sinteticos, usando una funci on
de medida con q = 1/2, y datos reales de cerebros humanos, su estimador de varianza con
q estimado se comporta mejor que con q = 0 o q = 1.
Por otra parte, haciendo un poco de algebra, se puede demostrar que (ver Anexo 6.1)
V
Sdi
_
_
= N
2
(1 f)
1
3n(n 2)
_
3
n
i=1
y
2
i
4
n
i=2
y
i
y
i1
+
n
i=3
y
i
y
i2
_
+ N
2
(1 f)
(5y
2
1
y
2
2
y
2
n1
5y
2
n
+ 4y
2
y
1
+ 4y
n
y
n1
)
6n(n 2)
,
si n n 2 y (q = 1/2) = 1/3, entonces
V
Sdi
_
_
V
GC
_
_
N
2
(1 f)
1
6n
2
_
5y
2
1
+ y
2
2
+ y
2
n1
+ 5y
2
n
4y
2
y
1
4y
n
y
n1
,
es decir, el estimador (12) puede expresarse como un caso particular de (14) con par ametro
(1/2) = 1/3 menos una cantidad que depende de y
1
, y
2
, y
n1
y y
n
.
Si 2
5 4,
V
Sdi
ser a menor que
V
GC
con q = 1/2, ya que la expresi on anterior se puede
escribir como
V
Sdi
_
_
V
GC
_
_
N
2
(1 f)
1
6n
2
_
(
5y
1
y
2
)
2
+ (
5y
n
y
n1
)
2
_
.
4. Varianza del estimador bajo el modelo especco mo-
delo de cola de ballena, WTM
La eciencia del muestreo sistem atico depende del orden de los elementos de la poblaci on, la
varianza es mas peque na si los totales muestrales
t
sr
son similares, como puede observarse en
la expresi on (6). Los estimadores
V
Fdi
_
_
y
V
Sdi
_
_
se derivan al suponer para la poblaci on
un modelo de media constante entre dos elementos adyacentes y lineal, respectivamente. En la
12
derivacion de
V
GC
_
_
se encuentra que V
SY
(
(p) = y
=
_
1
(p) +|a| si
a
p
b
1
(2 p) +|a| si 2
b
p 2
a
(15)
donde
1
(p) denota la funci on inversa de una N(0, 1) para el cuantil p, es decir, si y =
1
(p)
entonces p =
_
y
2
e
t
2
/2
dt,
(a) =
a
y (b) =
b
,
a =
1
(
a
), b =
1
(
b
). Por denicion de f
1
(2 p) si 2
b
p 2
a
. (16)
13
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
f
*
(
p
)
p 2-
b
b 2
a
= f
(p)
4.1.1. Estimador del total
En esta situacion, un parametro objetivo t
(p), es decir,
t
=
_
b
a
f
(p)dp +
_
2a
2
b
f
(p)dp
= 2
_
b
a
f
(p)dp
= 2
_
b
a
1
(p)dp + 2|a|(
b
a
).
Un estimador insesgado de t
= T
isr
y
i
= T
isr
_
1
(p
i
) +|a|
_
donde
T =
2(
b
a
)
n
es el intervalo muestral,
p
i
=
_
a
+ [u + i 1]T si
a
p
i
b
2[1
b
] +
a
+ [u
r
+ i 1]T si 2
b
p
i
2
a
,
u
r
generado de una U(0, 1).
14
4.1.2. Varianza del estimador del total
A continuacion se derivara una expresi on para V
WTM
(
b
= 1
a
, entonces la varianza del estimador es cero (ver Anexo 6.2).
Por denici on, la varianza del estimador es igual a
V
WTM
(
) = E
_
(
)
2
_
t
2
= T
2
E
_
n
i=1
y
i
_
2
t
2
= T
2
_
n
i=1
E(y
2
i
) + 2
n1
i=1
n
j=i+1
E(y
i
y
j
) + 2n|a|
n
i=1
E(y
i
) + n
2
a
2
_
t
2
.
(17)
donde los valores esperados de la ultima igualdad est an dados por
n
i=1
E(y
i
) =
2
T
_
b
a
1
(v)dv. (18)
n
i=1
E(y
2
i
) =
2
T
_
b
a
_
1
(v)
_
2
dv. (19)
n1
i=1
n
j=i+1
E(y
i
y
j
) =
1
T
_
_
_
2
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv
+
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
+
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
_
_
.
(20)
Sustituyendo los valores esperados (18), (19), (20) en la ecuacion (17) y simplicando se obtiene
V
WTM
(
) = 2T
__
b
a
_
1
(v)
_
2
dv
+ 2
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv
+
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
{t 2|a|(
b
a
)}
2
.
15
Un caso interesante se presenta cuando
b
= 1
a
, ya que en tal situacion:
V
WTM
(
) = 2T
__
1a
a
_
1
(v)
_
2
dv
+ 2
n/21
k=1
_
1akT
a
1
(v)
1
(v + kT) dv
2
n/21
k=1
_
1akT
a
1
(v)
1
(v + kT) dv
_
1a
a
1
(v)
1
(v) dv
_
{t 2|a|(
b
a
)}
2
= {t 2|a|(
b
a
)}
2
= {2|a|(
b
a
) 2|a|(
b
a
)}
2
= 0.
(21)
Por lo tanto, bajo el modelo propuesto, V
WTM
(
= T
isr
y
i
es
V
WTM
(
) = V
WTM
(
),
y en caso de que Y N(,
2
) en lugar de que Y N(0, 1), se tiene que
V
WTM
(
t
,,
2) =
2
V
WTM
(
) = 0.
16
4.1.3. Varianza del estimador del total considerando un error en el modelo
Un problema mas general consiste en suponer que hay un error en el modelo propuesto, es
decir, que la variable de interes es
Y = y
+ = f
(p).
Sup ongase que el objetivo es estimar el total t =
N
i=1
y
i
, entonces el estimador de Horvitz-
Thompson es
= T
n
i=1
Y
i
= T
n
i=1
(y
i
+
i
) =
t
+ T
n
i=1
i
.
Por otro lado, la esperanza condicional dada la muestra es
E
M
_
|u
r
= E
M
_
+ T
n
i=1
i
|u
r
_
= E
M
_
|u
r
+ T
n
i=1
E
M
[
i
|u
r
]
=
t
+ 0
=
t
,
V
M
_
|u
r
= V
M
_
+ T
n
i=1
i
|u
r
_
= V
M
_
|u
r
+ V
M
_
T
n
i=1
i
|u
r
_
+ 2Cov
_
, T
n
i=1
i
|u
r
_
= 0 + V
M
_
T
n
i=1
i
|u
r
_
+ 0
= V
M
_
T
n
i=1
i
|u
r
_
.
Sustituyendo estas dos ecuaciones en el resultado
V
SY
_
_
= V
SY
_
E
M
_
|u
r
_
+ E
SY
_
V
M
_
|u
r
_
17
se obtiene
V
SY
_
_
= V
SY
_
_
+ E
SY
_
V
M
_
T
n
i=1
i
|u
r
__
.
Bajo el WTM, con n par y
b
= 1
a
se llega nalmente a
V
WTM
_
_
= 0 + E
SY
_
V
M
_
T
n
i=1
i
|u
r
__
= E
SY
_
V
M
_
T
n
i=1
i
|u
r
__
.
(23)
4.1.4. Estimador de la varianza
Dependiendo de los supuestos que se hagan acerca de V
M
[(p)] =
2
, entonces
V
WTM,SI
_
_
= T
2
(1 f) ns
2
donde
y
1
, y
1
, . . . , y
N
son realizaciones de
Y ,
i
= e
i
= y
i
y
i
e =
n
i=1
e
i
n
s
2
=
n
i=1
(e
i
e)
2
n 1
.
Si se supone que los errores no son independientes, se propone usar alguna aproximaci on
de las se naladas en la secci on 3. En virtud de los resultados obtenidos para diversos
ejercicios que hemos realizado, se sugiere estimar la varianza mediante
V
WTM,Sdi
_
_
= T
2
(1 f) n
n
i=3
(e
i
2e
i1
+ e
i2
)
2
6(n 2)
.
4.2. WTM poblacion nita
En muchas situaciones la poblacion de interes no es de naturaleza continua, sino que se trata
de una poblaci on nita y por lo tanto discreta, por ejemplo: n umero de habitantes, matrcula
18
en un nivel escolar, n umero de personas con determinado padecimiento, etc. En este caso se
propone el modelo siguiente (gura 2) cuando el tama no de la poblaci on N es par:
y
i
= E (y
|p I
i
)
= |a| + E (y|p I
i
)
= |a| +
1
_
I
i
f(p)dp, i = 1, 2, . . . , N
(24)
donde
y
= f
1
(2 p) si 1 +
a
p 2
a
,
1
(p) denota la funci on inversa de una N(0, 1) para el cuantil p, es decir, si y =
1
(p)
entonces p =
_
y
2
e
t
2
/2
dt,
(a) =
a
,
a =
1
(
a
),
=
2(12a)
N
corresponde a la longitud del intervalo I
i
,
I
i
=
_
[
a
+ (i 1),
a
+ i] si 1 i N/2
[3
a
+ (i 1), 3
a
+ i] si N/2 + 1 i N
.
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
f
*
(
p
)
p
y
i
*
=E[ f*(p) | I
i
]
I
i
y
i
'=f*(p
i
)
p
i
=
a
+(i-0.5)2(1-2
a
)/N
i
19
Se puede demostrar que en general se cumple
_
1
(p)dp =
1
2
exp
_
1
2
[
1
(p)]
2
_
.
Si
a
p 1
a
, o equivalentemente si 1 i N/2, entonces
y
i
=
1
_
I
i
f(p)dp
=
1
_
I
i
1
dp
=
1
2
exp
_
1
2
[
1
(p)]
2
__
a+i
a+(i1)
=
1
2
_
exp
_
1
2
[
1
(
a
+ (i 1))]
2
_
exp
_
1
2
[
1
(
a
+ i)]
2
__
.
An alogamente, si 1 +
a
p 2
a
, o bien si N/2 + 1 i N
y
i
=
1
_
I
i
f(p)dp
=
1
2
exp
_
1
2
[
1
(2 p)]
2
__
3a+i
3a+(i1)
=
1
2
_
exp
_
1
2
[
1
(2 3
a
i)]
2
_
exp
_
1
2
[
1
(2 3
a
(i 1))]
2
__
.
Por lo tanto,
y
i
=
_
1
2
_
exp
_
1
2
[
1
(
a
+ (i 1))]
2
_
exp
_
1
2
[
1
(
a
+ i)]
2
_
si 1 i
N
2
1
2
_
exp
_
1
2
[
1
(2 3
a
i)]
2
_
exp
_
1
2
[
1
(2 3
a
(i 1))]
2
_
si
N
2
+ 1 i N
.
(25)
Una alternativa al modelo (24) es que el valor de p asociado a la unidad i sea el punto medio
del intervalo I
i
, es decir,
y
i
= f
( p
i
)
donde
p
i
=
_
a
+ (i
1
2
) si 1 i
N
2
p
i
= 3
a
+ (i
1
2
) si
N
2
+ 1 i N.
Los valores y
i
y y
i
ser an muy similares (gura 2), las diferencias seran un poco m as grandes
en los extremos, cercanos a
a
o 2
a
, y en la parte central, cercanos a 1
a
o 1 +
a
. Por
ejemplo, si N = 20 y
a
=0.02, entonces y
5
=1.9328, y
5
=1.9331, y
8
=2.6995 y y
8
=2.6971,
mientras que y
10
=3.5838 y y
10
=3.5446.
20
4.2.1. Estimador del total
El parametro objetivo t
corresponde al total de y
i
, es decir,
t
=
N
i=1
y
i
= N|a| +
N/2
i=1
1
2
_
exp
_
1
2
[
1
(
a
+ (i 1))]
2
_
exp
_
1
2
[
1
(
a
+ i)]
2
__
+
N
i=N/2+1
1
2
_
exp
_
1
2
[
1
(2 3
a
i)]
2
_
exp
_
1
2
[
1
(2 3
a
(i 1))]
2
__
= N|a| +
1
2
_
exp
_
1
2
[
1
(
a
)]
2
_
exp
_
1
2
[
1
(
a
+
N
2
)]
2
_
exp
_
1
2
[
1
(2 3
a
N
2
)]
2
_
+ exp
_
1
2
[
1
(2 3
a
N)]
2
__
.
Ya que
a
+
N
2
= 1
a
, 2 3
a
N
2
= 1
a
y 2 3
a
N =
a
, nalmente se llega a
t
= N|a|.
Un estimador insesgado de t
= T
isr
y
i
= T
isr
(|a| + y
i
)
donde
T =
N
n
s
r
= r, r + T, r + 2T, . . . , r + (n 1)T.
Sustituyendo los valores de la expresion (25) y simplicando (ver Anexo 6.3. Estimador de
t
,
WTM poblacion nita) se obtiene
= N|a|. (26)
4.2.2. Varianza del estimador del total
Ya que el total estimado es igual a una constante entonces
V
WTM
(
) = 0.
Cuando se consideran los valores poblaciones sin trasladar, y
i
, es f acil ver que
V
WTM
(
) = V
WTM
(
) = 0,
21
y en caso de que Y N(,
2
) en lugar de que Y N(0, 1), se tiene que
V
WTM
(
t
,,
2) =
2
V
WTM
(
) = 0.
4.2.3. Varianza del estimador del total considerando un error en el modelo
Al igual que en el caso continuo, un problema m as general consiste en suponer que hay un error
en el modelo, es decir,
Y
i
= y
i
+
i
(27)
donde es una variable aleatoria que cumple:
i. E
M
[
i
] = 0
ii. V
M
[
i
] =
2
i
.
En este caso
= T
n
i=1
Y
i
=
t
+ T
n
i=1
i
.
An alogamente al caso de una poblaci on continua, bajo el WTM, con n par y
b
= 1
a
se
llega a
V
WTM
_
_
= 0 + E
SY
_
V
M
_
T
n
i=1
i
|u
r
__
= E
SY
_
V
M
_
T
n
i=1
i
|u
r
__
.
(28)
4.2.4. Estimador de la varianza
Para aproximar la ecuacion (28) se pueden hacer supuestos acerca de V
M
[
i
]. Por ejemplo:
Si los errores son independientes y V
M
[
i
] =
2
, entonces
V
WTM,SI
_
_
= T
2
(1 f) ns
2
(29)
Si los errores no son independientes, se propone
V
WTM,Sdi
_
_
= T
2
(1 f) n
n
i=3
(e
i
2e
i1
+ e
i2
)
2
6(n 2)
. (30)
donde y
1
, y
1
, . . . , y
N
son realizaciones de
Y , e
i
y s
2
).
Los estimadores tres se nalados en la secci on 3 y los dos propuestos en la secci on anterior:
V
Fdi
(
),
V
Sdi
(
),
V
GC
(
),
V
WTM,SI
(
) y
V
WTM,Sdi
(
).
La simulacion tiene dos objetivos: i) comparar el desempe no de cada uno de los cinco
estimadores con respecto a la varianza del estimador (par ametro), es decir, comparar el sesgo
y ii) comparar los cinco estimadores en terminos de su estabilidad.
En la gura 3 se presenta el promedio de las varianzas sobre las 100 poblaciones y las T
muestras,
_
T
r=1
_
Vsr (
t)/T
_
K
, seg un el tama no de muestra. Adicionalmente se graca el promedio
de la desviaci on estandar del estimador (par ametro),
__
V
SY (
t)
_
K
=
_
_
T
r=1
(
tsr
t)
2
/T
_
K
sobre
las 100 poblaciones. En terminos del sesgo, el mejor estimador corresponde a
V
WTM,Sdi
(
), el
cual decrece conforme el tama no de muestra aumenta.
Como una medida de la estabilidad de las estimaciones, en la gura 4 se muestra el promedio
de la desviacion est andar de la varianza estimada,
_
V (
V (
t))
_
K
=
_
_
_
T
r=1
_
V
SY
r=1
V
SY
T
_
2
/T
_
_
K
.
Se observa que el estimador con una menor dispersion tambien es
V
WTM,Sdi
(
).
23
8 10 20 40 50 100 200 440 1100
10
2
10
1
10
0
10
1
10
2
10
3
Tamao de muestra, n
VF di
VSdi
VGC
VW TM,SI
VW TM,Sdi
VSY
Figura 3: Poblaciones generadas N(0, 1) y ordenadas en forma de cola de ballena. Desviacion estandar
poblacional y estimada promedio (escala logartmica). La lnea continua muestra el promedio de la desviacion
estandar poblacional sobre las 100 poblaciones generadas. Las lneas punteadas representan el promedio de la
desviacion est andar estimada, seg un tama no de muestra, sobre las 100 poblaciones generadas y las T muestras;
la varianza para cada muestra se estima mediante:
V
Fdi
,
V
Sdi
,
V
GC
,
V
WTM,SI
y
V
WTM,Sdi
.
8 10 20 40 50 100 200 440 1100
10
3
10
2
10
1
10
0
10
1
10
2
10
3
10
4
10
5
Tamao de muestra, n
V (
V )
V (
VF d i )
V (
VSd i )
V (
VGC)
V (
VW T M,SI )
V (
VW T M,Sd i )
Figura 4: Poblaciones generadas N(0, 1) y ordenadas en forma de cola de ballena. Promedio de la
desviacion est andar de la varianza, seg un tama no de muestra y estimador, sobre las 100 poblaciones generadas
(escala logartmica). La varianza se estima usando:
V
Fdi
,
V
Sdi
,
V
GC
,
V
WTM,SI
y
V
WTM,Sdi
.
24
Adicionalmente al trabajo presentado, es de interes explorar el desempe no de los estimadores
propuestos para funciones de medida resultantes cuando la poblacion subyacente no es la nor-
mal, as como en el caso de datos reales en lugar de simulados. En ambos casos es importante
considerar alguna medida de distancia o diferencia de alejamiento de la funci on de medida
analizada respecto al WTM.
6. Anexos
6.1. Relaci on entre
V
Sdi
y
V
GC
Se haba visto que
V
GC
_
_
= N
2
(1 f)
1
n
2
(q) [3C
0
4C
1
+ C
2
]
= N
2
(1 f)
1
n
2
(q)
_
3
n
i=1
y
2
i
4
n
i=2
y
i
y
i1
+
n
i=3
y
i
y
i2
_
V
Sdi
_
_
= N
2
(1 f)
1
n
n
i=3
(y
i
2y
i1
+ y
i2
)
2
6(n 2)
. (31)
Desarrollando el trinomio al cuadrado en (31) se tiene que
n
i=3
(y
i
2y
i1
+ y
i2
)
2
=
n
i=3
_
y
2
i
+ 4y
2
i1
+ y
2
i2
4y
i
y
i1
4y
i1
y
i2
+ 2y
i
y
i2
_
=
n
i=1
6y
2
i
y
2
1
y
2
2
4y
2
1
4y
2
n
y
2
n1
y
2
n
i=2
8y
i
y
i1
+ 4y
2
y
1
+ 4y
n
y
n1
+
n
i=3
2y
i
y
i2
= 6
n
i=1
y
2
i
8
n
i=2
y
i
y
i1
+ 2
n
i=3
y
i
y
i2
5y
2
1
y
2
2
y
2
n1
5y
2
n
+ 4y
2
y
1
+ 4y
n
y
n1
.
Haciendo c = 5y
2
1
y
2
2
y
2
n1
5y
2
n
+ 4y
2
y
1
+ 4y
n
y
n1
, y sustituyendo en (31), se tiene
V
Sdi
_
_
= N
2
(1 f)
1
6n(n 2)
_
6
n
i=1
y
2
i
8
n
i=2
y
i
y
i1
+ 2
n
i=3
y
i
y
i2
+ c
_
= N
2
(1 f)
2
6n(n 2)
_
3
n
i=1
y
2
i
4
n
i=2
y
i
y
i1
+
n
i=3
y
i
y
i2
+ c/2
_
= N
2
(1 f)
1
3n(n 2)
_
3
n
i=1
y
2
i
4
n
i=2
y
i
y
i1
+
n
i=3
y
i
y
i2
_
+ N
2
(1 f)
c
6n(n 2)
,
25
si n n 2 y (q = 1/2) = 1/3, entonces
V
Sdi
_
_
V
GC
_
_
N
2
(1 f)
1
6n
2
_
5y
2
1
+ y
2
2
+ y
2
n1
+ 5y
2
n
4y
2
y
1
4y
n
y
n1
.
Finalmente si 2
V
Sdi
_
_
V
GC
_
_
N
2
(1 f)
1
6n
2
_
(
5y
1
y
2
)
2
+ (
5y
n
y
n1
)
2
_
. (32)
6.2. Derivacion de V
WTM
(
), poblacion continua
A continuacion se derivara una expresi on para V
WTM
(
) = E
_
(
)
2
_
t
2
= T
2
E
_
n
i=1
y
i
_
2
t
2
= T
2
E
_
n
i=1
(y
i
+|a|)
_
2
t
2
= T
2
E
_
n
i=1
y
i
+ n|a|
_
2
t
2
= T
2
_
_
_
E
_
n
i=1
y
i
_
2
+ 2n|a|
n
i=1
E(y
i
) + n
2
a
2
_
_
_
t
2
= T
2
_
n
i=1
E(y
2
i
) + 2
n1
i=1
n
j=i+1
E(y
i
y
j
) + 2n|a|
n
i=1
E(y
i
) + n
2
a
2
_
t
2
.
(33)
Enseguida se desarrollar an los valores esperados de la ultima igualdad en la ecuacion (33),
considerando que n es par.
n
i=1
E(y
i
) =
n/2
i=1
E(y
i
) +
n
i=n/2+1
E(y
i
).
26
Obteniendo el valor esperado del primer sumando
n/2
i=1
E(y
i
) =
n/2
i=1
_
1
0
1
(
a
+ [u + i 1]T) du
=
n/2
i=1
1
T
_
a+iT
a+[i1]T
1
(v)dv
=
1
T
_
a+
n
2
T
a
1
(v)dv
=
1
T
_
b
a
1
(v)dv
donde se hizo el cambio de variable v =
a
+ [u + i 1]T.
An alogamente, efectuando el cambio de variable v = 2 2(1
b
) +
a
+ [u + i 1]T =
2
b
a
[u + i 1]T, se tiene que el valor esperado del segundo sumando es
n
i=n/2+1
E(y
i
) =
n
i=n/2+1
_
1
0
1
(2
b
a
[u + i 1]T) du
=
n
i=n/2+1
1
T
_
2
b
aiT
2
b
a[i1]T
1
(v)dv
=
1
T
_
2
b
anT
2
b
a
n
2
T
1
(v)dv
=
1
T
_
a
1
(v)dv
=
1
T
_
b
a
1
(v)dv.
Por lo tanto,
n
i=1
E(y
i
) =
2
T
_
b
a
1
(v)dv.
Por otra parte, el valor esperado de la variable al cuadrado es:
n
i=1
E(y
2
i
) = 2
n/2
i=1
_
1
0
_
1
(
a
+ [u + i 1]T])
_
2
du
=
2
T
n/2
i=1
_
a+iT
a+[i1]T
_
1
(v)
_
2
dv
=
2
T
_
a[n/2]T
a
_
1
(v)
_
2
dv
=
2
T
_
b
a
_
1
(v)
_
2
dv.
27
Para obtener el valor esperado de y
i
y
j
se deben de considerar 3 casos, dependiendo de los valores
que tomen los subndices i y j,
n1
i=1
n
j=i+1
E(y
i
y
j
) = s1 + s2 + s3 (34)
donde:
s1 =
n/21
i=1
n/2
j=i+1
_
1
0
1
(
a
+ [u + i 1]T)
1
(
a
+ [u + j 1]T) du (35)
s2 =
n/2
i=1
n
j=n/2+1
_
1
0
1
(
a
+ [u + i 1]T)
1
(2
b
a
[u + j 1]T) du (36)
s3 =
n1
i=n/2+1
n
j=i+1
_
1
0
1
(2
b
a
[u + i 1]T)
1
(2
b
a
[u + j 1]T) du. (37)
Haciendo los cambios de variable v =
a
+ [u + i 1]T y j = i + k en (35) y simplicando se
llega a que
s1 =
n/21
i=1
n/2i
k=1
1
T
_
a+iT
a+[i1]T
1
(v)
1
(v + kT) dv
=
1
T
_
_
_
n/21
k=1
_
a+T
a
1
(v)
1
(v + kT) dv
+
n/22
k=1
_
a+2T
a+T
1
(v)
1
(v + kT) dv
+ +
1
k=1
_
a+[n/21]T
a+[n/22]T
1
(v)
1
(v + kT) dv
_
=
1
T
_
_
a+[n/21]T
a
1
(v)
1
(v + T) dv
+
_
a+[n/22]T
a
1
(v)
1
(v + 2T) dv
+ +
_
a+T
a
1
(v)
1
(v + [n/2 1]T) dv
_
=
1
T
n/21
k=1
_
a+[n/2k]T
a
1
(v)
1
(v + kT) dv
=
1
T
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv.
(38)
28
Si v =
a
+ [u + i 1]T y j = i + k, entonces 2
b
a
[u + j 1]T = 2
b
kT v.
Sustituyendo en (36) se tiene lo siguiente
s2 =
n/2
i=1
ni
k=n/2+1i
1
T
_
a+iT
a+[i1]T
1
(v)
1
(2
b
v kT) dv
=
1
T
_
_
_
n1
k=n/2
_
a+T
a
1
(v)
1
(2
b
v kT) dv
+
n2
k=n/21
_
a+2T
a+T
1
(v)
1
(2
b
v kT) dv
+ +
n/2
k=1
_
a+[n/2]T
a+[n/21]T
1
(v)
1
(2
b
v kT) dv
_
_
_
=
1
T
_
_
a+[n/2]T
a
1
(v)
1
(2
b
v [n/2]T) dv
+
_
a+[n/2]T
a+T
1
(v)
1
(2
b
v [n/2 1]T) dv
+ +
_
a+[n/2]T
a+[n/21]T
1
(v)
1
(2
b
v T) dv
+
_
a+[n/21]T
a
1
(v)
1
(2
b
v [n/2 + 1]T) dv
+
_
a+[n/22]T
a
1
(v)
1
(2
b
v [n/2 + 2]T) dv
+ +
_
a+T
a
1
(v)
1
(2
b
v [n 1]T) dv
_
=
1
T
_
_
_
n/2
k=1
_
a+[n/2]T
a+[k1]T
1
(v)
1
(2
b
v [n/2 k + 1]T) dv
+
n/21
k=1
_
a+[n/2k]T
a
1
(v)
1
(2
b
v [n/2 + k]T) dv
_
_
_
=
1
T
_
_
_
n/21
k=0
_
a+[n/2]T
a+kT
1
(v)
1
(2
b
v [n/2 k]T) dv
+
n/21
k=1
_
a+[n/2k]T
a
1
(v)
1
(2
b
v [n/2 + k]T) dv
_
_
_
29
=
1
T
_
_
_
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
+
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
_
_
.
(39)
Si en la ecuaci on (37) se hacen los cambios de variable v = 2
b
a
[u +j 1]T y j = i +k,
se tiene que
s3 =
n1
i=n/2+1
ni
k=1
1
T
_
2
b
a[i]T
2
b
a[i1]T
1
(v)
1
(v kT) dv
=
n1
i=n/2+1
ni
k=1
1
T
_
2
b
a[i1]T
2
b
a[i]T
1
(v)
1
(v kT) dv
=
1
T
_
_
_
n/21
k=1
_
2
b
a[n/2]T
2
b
a[n/2+1]T
1
(v)
1
(v kT) dv
+
n/22
k=1
_
2
b
a[n/2+1]T
2
b
a[n/2+2]T
1
(v)
1
(v kT) dv
+ +
1
k=1
_
2
b
a[n2]T
2
b
a[n1]T
1
(v)
1
(v kT) dv
_
=
1
T
_
_
2
b
a[n/2]T
2
b
a[n1]T
1
(v)
1
(v T) dv
+
_
2
b
a[n/2]T
2
b
a[n2]T
1
(v)
1
(v 2T) dv
+ +
_
2
b
a[n/2]T
2
b
a[n/2+1]T
1
(v)
1
(v [n/2 1]T) dv
_
=
1
T
n/21
k=1
_
2
b
a[n/2]T
2
b
a[nk]T
1
(v)
1
(v kT) dv
=
1
T
n/21
k=1
_
b
a+kT
1
(v)
1
(v kT) dv
=
1
T
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv.
(40)
30
Sustituyendo (38), (39) y (40) en la ecuaci on (34)
n1
i=1
n
j=i+1
E(y
i
y
j
) =
1
T
_
_
_
2
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv
+
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
+
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
_
_
.
Sustituyendo los valores esperados en (33) y efectuando operaciones se obtiene
V
WTM
(
) = T
2
_
2
T
_
b
a
_
1
(v)
_
2
dv
+
2
T
_
_
2
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv
+
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
+
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
_
+ 2n|a|
2
T
_
b
a
1
(v)dv + n
2
a
2
_
t
2
,
simplicando se llega nalmente a
V
WTM
(
) = 2T
__
b
a
_
1
(v)
_
2
dv
+ 2
n/21
k=1
_
b
kT
a
1
(v)
1
(v + kT) dv
+
n/21
k=0
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv
n/21
k=1
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv
_
_
_
{t 2|a|(
b
a
)}
2
.
(41)
Cuando
b
= 1
a
y considerando que en el caso de la distribuci on normal
1
(v) =
31
1
(1 v), entonces
_
b
a+kT
1
(v)
1
(
a
+
b
v + kT) dv =
_
1a
a+kT
1
(v)
1
(1 v + kT) dv
=
_
1a
a+kT
1
(1 v)
1
(1 v + kT) dv
=
_
a
1akT
1
(v)
1
(v + kT) dv
=
_
1akT
a
1
(v)
1
(v + kT) dv,
_
b
kT
a
1
(v)
1
(
a
+
b
v kT) dv =
_
1akT
a
1
(v)
1
(1 v kT) dv
=
_
1akT
a
1
(1 v)
1
(1 v kT) dv
=
_
a+kT
1a
1
(v)
1
(v kT) dv
=
_
a
1akT
1
(v)
1
(v + kT) dv
=
_
1akT
a
1
(v)
1
(v + kT) dv.
Luego, reemplazando las ultimas dos integrales en (41) se llega a
V
WTM
(
) = 2T
__
1a
a
_
1
(v)
_
2
dv
+ 2
n/21
k=1
_
1akT
a
1
(v)
1
(v + kT) dv
2
n/21
k=1
_
1akT
a
1
(v)
1
(v + kT) dv
_
1a
a
1
(v)
1
(v) dv
_
{t 2|a|(
b
a
)}
2
= {t 2|a|(
b
a
)}
2
= {2|a|(
b
a
) 2|a|(
b
a
)}
2
= 0.
32
6.3. Estimador de
t
= T
isr
y
i
= T
isr
(|a| + y
i
)
donde
T =
N
n
s
r
= r, r + T, r + 2T, . . . , r + (n 1)T.
Luego,
= T
n
i=1
(|a| + y
i
)
= Tn|a| + T
n
i=1
y
i
= N|a| + T
n/2
i=1
y
i
+ T
n
i=n/2+1
y
i
= N|a| +
T
2
n/2
i=1
_
exp
_
1
2
[
1
(
a
+ [r + (i 1)T 1])]
2
_
+
exp
_
1
2
[
1
(
a
+ [r + (i 1)T])]
2
__
+
+
T
2
n
i=n/2+1
_
exp
_
1
2
[
1
(2 3
a
[r + (i 1)T])]
2
_
+
exp
_
1
2
[
1
(2 3
a
+ [r + (i 1)T 1])]
2
__
= N|a| +
T
2
n/2
i=1
_
exp
_
1
2
[
1
(
a
+ [r + (i 1)T 1])]
2
_
+
exp
_
1
2
[
1
(
a
+ [r + (i 1)T])]
2
__
+
+
T
2
n/2
i=1
_
exp
_
1
2
[
1
(2 3
a
[r + (n/2 + i 1)T])]
2
_
+
exp
_
1
2
[
1
(2 3
a
+ [r + (n/2 + i 1)T 1])]
2
__
.
Ya que 23
a
[r+(n/2+i1)T] = 1
a
[r+(i1)T], 23
a
[r+(n/2+i1)T1] =
33
1
a
[r + (i 1)T 1] y
1
(1 v) =
1
(v), entonces
= N|a| +
T
2
n/2
i=1
_
exp
_
1
2
[
1
(
a
+ [r + (i 1)T 1])]
2
_
+
exp
_
1
2
[
1
(
a
+ [r + (i 1)T])]
2
__
+
+
T
2
n/2
i=1
_
exp
_
1
2
[
1
(
a
[r + (i 1)T])]
2
_
+
exp
_
1
2
[
1
(
a
+ [r + (i 1)T 1])]
2
__
= N|a|.
Referencias
[1] Y. G. Berger. A variance estimator for systematic sampling from a deliberately ordered
population. Communications in Statistics. Theory and Methods, 34:15331541, 2005.
[2] W. G. Cochran. Relative accuracy of systematic and stratied random samples for a
certain class of populations. Annals of Mathematics Statistics, 17:164177, 1946.
[3] W. G. Cochran. Sampling Techniques. Wiley, 1977.
[4] A. W. Fuller. Sampling Statistics. Wiley, John and Sons, 2009.
[5] M. Garca-Fi nana. Muestreo Sistematico en R. Tesis doctoral, Universidad de Cantabria,
Espa na, 2000.
[6] M. Garca-Fi nana and L. M. Cruz-Orive. Improved variance prediction for systematic
sampling on R. Statistics, 38(3):243272, 2004.
[7] W. Gautschi. Some remarks on systematic sampling. The Annals of Mathematical Statis-
tics, 28(2):385394, 1957.
[8] H. J. G. Gundersen. The smooth fractionator. Journal of Microscopy, 207:191210, 2002.
[9] R. Iachan. Systematic sampling: A critical review. International Statistical Review,
50(3):293303, 1982.
[10] K. Kieu. Three lectures on sistematic geometric sampling. Memoirs, 13. University of
Aarhus, 1997.
34
[11] K. Kieu and M. Mora. Stereological estimation of mean volume: precision of three simple
sampling designs. Reporte tecnico, Unite Mathematiques et Informatique Appliquees,
Institut National de la Recherche Agronomique, Versalles, 2005.
[12] K. Kieu, S. Souchet, and J. Istas. Precision of systematic sampling and transitive methods.
Statistical Planning and Inference, 77:263279, 1999.
[13] W. G. Madow and L. H. Madow. On the theory of systematic sampling I. Annals of
Mathematics Statistics, 15(1):124, 1944.
[14] P.C. Mahalanobis. Recent experiments in statistical sampling in the indian statistical
institute. Royal Statistical Society, 109(4):325370, 1946.
[15] G. Matheron. Les variables regionalisees et leur estimation. Masson, Paris, 1965.
[16] M. H. Quenouille. Problems in plane sampling. Annals of Mathematics Statistics,
20(3):355375, 1949.
[17] C. E. S arndal, B. Swensson, and J. Wretman. Model Assisted Survey Sampling. Springer-
Verlag, 1992.
[18] P. V. Sukhatme, B. V. Sukhatme, and Asok. Sampling Theory of Surveys with Applications.
Iowa State University Press, 1984.
[19] K. M. Wolter. An investigation of some estimators of variance for systematic sampling.
Journal of the American Statistical Association, 79:781790, 1984.
[20] K. M. Wolter. Introduction to Variance Estimation. Springer-Verlag, 2007.
[21] F. Yates. Systematic sampling. Philosophical Transactions of the Royal Society of London,
241(834):345377, 1948.
[22] F. Yates. Sampling Methods for Censuses and Surveys. Charles Grin and Company
Limited, 1981.
35