Mu Iea 01

Muestreo en Poblaciones Finitas
Introducción y Conceptos Básicos
José A. Mayor Gallego
Departamento de Estadística e Investigación Operativa

Universidad de Sevilla
Septiembre de 2011
INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Introducción al Muestreo en Poblaciones Finitas C B 1/32
Contenidos
1 Objetivos y Metodología
Introducción
Conceptos y Notaciones Básicas
Parámetros poblacionales usuales. Variable Cuantitativa
2 Diseños Muestrales
Diseño Muestral Aleatorio Simple, MAS(N, n)
Diseño Muestral de Bernoulli, MB(N, p)
Diseño Muestral Sistemático Uniforme, MAS(N, n)
3 Probabilidades de Inclusión
4 Variables Indicadoras
5 Diseños Muestrales Probabilísticos y Cuantificables
6 Diseños Muestrales Simples y Complejos
7 Estimación de Parámetros
8 Propiedades y Características de los Estimadores
9 Varianza y Error de Muestreo
10 Bibliografía

La Estadística Inferencial
La Inferencia Estadística surge de la necesidad de estudiar una

población empleando una pequeña parte de la misma,
denominada muestra, usualmente obtenida de manera
aleatoria.
Se obvia así el estudio exhaustivo o censo, que siendo un
proceso más costoso y lento, tiene su utilidad en muchos
procesos de la Estadística Pública, pero presenta sus
limitaciones cuando se quieren obtener resultados económicos,
ya sea en tiempo o en presupuesto.

Estadística Inferencial. Enfoque de modelo probababilístico
Una característica asociada a cada elemento de una población

se formaliza en una variable, Y .
La Estadística Inferencial clásica o Estadística Matemática
clásica se desarrolla bajo la hipótesis de que Y es una variable
aleatoria. Enfoque de modelo.
Con esta premisa, la muestra se formaliza como n variables
aleatorias,
(Y1 , Y2 , . . . , Yn )
independientes e idénticamente distribuidas, es decir, un vector
aleatorio de componentes independientes y con la misma
distribución de probabilidad, heredada de Y .
Con este enfoque, el tamaño “físico” de la población, denotado
por N, no tiene utilidad ni presencia ya que para lograr la
independencia, se presupone implícitamente que la población
es inagotable o infinita.

Enfoque del Muestreo en Poblaciones Finitas
La variable de estudio, Y , no es aleatoria sino simplemente un

vector de valores fijos,
(y1 , y2 , . . . , yN )
La muestra, m, se formaliza como un subconjunto o parte, de n
elementos seleccionados de la población, empleando un
procedimiento aleatorio,
m = {i1 , i2 , . . . , in }
Con este enfoque, aparecen relaciones de dependencia
aleatoria en la selección de elementos. Las variables aleatorias,
yi1 , yi2 , . . . , yin
ya no son independientes.
El procedimiento de selección de la muestra tiene ahora un
importante protagonismo pues condiciona el proceso de
estimación posterior.

Objetivos de Muestreo en Poblaciones Finitas
Estudiar diferentes formas de seleccionar muestras mediante

procedimientos aleatorios. Estado o fase de muestreo
propiamente dicho.
Desarrollar la teoría de estimación de parámetros en el contexto
de las Poblaciones Finitas. Fase de estimación. La finalidad
última de todo el proceso es precisamente la estimación de
parámetros.
Estudiar la interconexión existente entre procedimiento de
muestreo y estimación.
Integrar todo ello con situaciones en las cuales la población se
solapa con distintas estructuras de tipo administrativo como
provincias o seciones censales, natural como sexo o edad, etc.

Conceptos y Notaciones Básicas
Población, U. Con N elementos. U = {1, 2, 3, . . . , N}.

Muestra, m. Con n(m) elementos. El tamaño muestral puede ser
variable.
Variable de estudio, Y = (y1 , y2 , y3 , . . . , yN ).
Elemento poblacional, i ∈ U. Valor asociado de la variable yi .
Parámetro poblacional, θ(Y ). Es el objetivo de la estimación:
Media, porcentaje, total, etc.
Estimador de θ(Y ), θ(Y
b ). Depende sólo de la muestra. Es una
variable aleatoria por ser la muestra aleatoria.

Si la variable de estudio es de naturaleza cuantitativa, como por

ejemplo estatura en metros o sueldo mensual en EUROS, los
parámetros más usuales son,
Total poblacional
N
X X
ty = yi = yi
i=1 i∈U
Media poblacional
N
1 X 1 X
yU = yi = yi
N N
i=1 i∈U

Cuasivarianza poblacional
 !2 
2 1 X 2 1 X 2 1 X
SyU = (yi − y U ) = yi − yi 
N −1 N −1 N
i∈U i∈U i∈U
Varianza poblacional
 !2 
2 1 X 1 X 1 X
σyU = (yi − y )2 =  yi2 − yi 
N N N
i∈U i∈U i∈U
N −1 2
= yU2 − y 2U = SyU
N
Otros parámetros menos usuales pero también empleados para
analizar las poblaciones son la mediana poblacional, los percentiles
poblacionales, el índice de concentración de Gini poblacional o el
coeficiente de variación poblacional.
Parámetros poblacionales usuales. Variable Cualitativa
Si la variable de estudio es de naturaleza cualitativa, como por
ejemplo tener coche propio, codificada SÍ ó NO, o estado civil,
codificado como SOLTERO, CASADO, SEPARADO, VIUDO, OTROS,
el parámetro más usual es la proporción asociada a cada uno de los
valores o modalidades.
Por ejemplo, para el estado civil1 ,
1 número de solteros
PS = {i ∈ U | yi = SOLTERO} =

N N
es la proporción poblacional de solteros. Si la multiplicamos por 100,
obtendremos el porcentaje poblacional de solteros. De la misma
forma,
1 número de casados
PC = {i ∈ U | yi = CASADO} =

N N
es la proporción poblacional de casados.
1
Si C es un conjunto, la notación |C| indica su cardinal, es decir, cuántos
elementos tiene.
Diseño Muestral
En la práctica, un método de muestreo se realiza seleccionando

secuencialmente elementos, mediante un procedimiento
aleatorio.
Al final nos encontramos con una muestra, de las muchas
potenciales que podríamos haber obtenido.
Esta muestra tiene asociada una probabilidad, generada o
inducida por el procedimiento aleatorio.
RESUMEN: Un método de muestreo tiene asociados un
conjunto de muestras potenciales, y una distribución de
probabilidad.
Formalización: Un diseño muestral es un par d = (M, Pr ),
siendo M un conjunto de muestras y Pr una distribución de
probabilidad sobre M, es decir,
X
Pr (m) = 1
m∈M

Ejemplo
Para la población de N = 5 elementos,
U = {1, 2, 3, 4, 5}
la siguiente lista constituye o define un diseño muestral,
m {1, 3} {1, 4} {1, 5} {2, 4} {2, 5} {3, 5} {1, 3, 5}

Pr (m) 00 1 00 1 00 1 00 1 00 1 00 1 00 4
Nótese que el tamaño de muestra es variable.

Ejemplo. Diseño Muestral Aleatorio Simple
Para la población de N elementos,
U = {1, 2, 3, . . . , N}
Sea M el conjunto de los subconjuntos de n elementos, siendo n ≤ N

fijo. Hay Nn .

Y sea Pr la distribución de probabilidad constante o uniforme sobre

M, es decir,
1
Pr (m) = N ∀m ∈ M
n
Dicho así queda muy teórico; es una mera formalización que en la

práctica no se emplea para seleccionar muestras aleatorias por su
evidente dificultad técnica cuando N es elevado.
Nótese que ahora el tamaño de muestra es fijo.

Ejemplo. Diseño Muestral Aleatorio Simple. Muestreo Práctico
U = {1, 2, 3, . . . , N}
Generamos números aleatorios enteros y distintos, entre 1 y N,

ya sea con una tabla, una calculadora o cualquier otro método
factible.
En caso de que surjan elementos repetidos, se rechazarán,
hasta disponer de n elementos distintos, que constituirán la
muestra.

Ejemplo. Diseño Muestral Aleatorio Simple. Muestreo Práctico
U = {1, 2, 3, . . . , N}
Generamos números aleatorios enteros y distintos, entre 1 y N,

ya sea con una tabla, una calculadora o cualquier otro método
factible.
En caso de que surjan elementos repetidos, se rechazarán,
hasta disponer de n elementos distintos, que constituirán la
muestra.
Obviamente este algoritmo genera el diseño muestral aleatorio
simple.
En general, un muestreo que dé lugar a este diseño se
denominará Muestreo Aleatorio Simple, y se abreviará mediante
MAS(N, n).

Ejemplo. Diseño Muestral de Bernoulli
Este diseño se genera mediante el siguiente algoritmo, denominado
Muestreo de Bernoulli,
Dada la probabilidad 0 < p < 1, se recorre secuencialmente la

población,
U = {1, 2, 3, . . . , N}
y cada elemento i es seleccionado con probabilidad p,
independientemente de los demás.
La muestra m está constituída por los elementos seleccionados.
Para este diseño, que se denota MB(N, p), M el conjunto de todos

los subconjuntos de U; hay 2N muestras potenciales. El tamaño
muestral n(m) es una variable aleatoria con distribución binomial que
puede tomar todos los valores enteros entre 0 y N inclusive.
La probabilidad de una muestra será,
Pr (m) = pn(m) (1 − p)N−n(m)

Ejemplo. Diseño Muestral Sistemático Uniforme
Se genera mediante el siguiente algoritmo, denominado Muestreo
Sistemático Uniforme de paso k ,
Dado k <= N, se genera un número aleatorio entero, γ, entre 1
y k inclusives.
La muestra es,
m = {γ, γ + k , γ + 2k , · · · }
Para este diseño, que se denota MS(N, k ), M el conjunto de las k
posibles muestras cuyo elemento inicial está entre 1 y k . La
probabilidad de una muestra es Pr (m) = 1/k .
Si N es múltiplo de k , N = nk , hay exactamente n bloques de k

elementos, y todas las muestras posibles tienen tamaño fijo, n.
En caso contrario, N = nk + r , existe un bloque adicional de r

elementos, por lo que, dependiendo del inicio, unas muestras tendrán
tamaño n + 1 y otras n
MAS(N, n), MB(N, n) y MS(N, k ) con R
Muestreo Aleatorio Simple con R. MAS(N, n).
muestra=sample(N,n)
Muestreo de Bernouilli con R. MB(N, p).
muestra=c()
for (i in 1:N)
if (runif(1)<=p) muestra=c(muestra,i)
Muestreo Sistemático con R. MS(N, k ).
gamma=1+trunc(k*runif(1))
muestra=c()
while(gamma <= N)
muestra=c(muestra,gamma);gamma=gamma+k
Probabilidades de Inclusión
Dado un diseño muestral, d = (M, Pr ), si seleccionamos una

muestra aleatoria m, un elemento i, o una pareja i, j pueden estar o
no en ella. Definimos,
Probabilidades de Inclusión de Primer Orden.
πi = Pr [i ∈ m] ∀i ∈ U
Probabilidades de Inclusión de Segundo Orden.
πij = Pr [i, j ∈ m] ∀i, j ∈ U
NOTA: πii = πi

Ejemplo Básico
m {1, 3} {1, 4} {1, 5} {2, 4} {2, 5} {3, 5} {1, 3, 5}

Pr (m) 00 1 00 1 00 1 00 1 00 1 00 1 00 4
Sumamos las probabilidades de las muestras favorables a i ∈ m para

las πi , y a i, j ∈ m para las πij ,
π2 = Pr ({2, 4}) + Pr ({2, 5}) = 00 1 + 00 1 = 00 2

π3 = Pr ({1, 3}) + Pr ({3, 5}) + Pr ({1, 3, 5}) = 00 1 + 00 1 + 00 4 = 00 6
π13 = Pr ({1, 3}) + Pr ({1, 3, 5}) = 00 1 + 00 4 = 00 5
π14 = Pr ({1, 4}) = 00 1
π12 =0
etc.

Probabilidades de Inclusión para MAS, MB y MS
MAS(N, n). Espacio muestral equiprobable. Fórmula de Laplace.
N−1 N−2

n−1 n n−2 n(n − 1)
πi = N
= πij = N
=
N N(N − 1)

n n
n
NOTACIÓN: f = N. Se denomina fracción de muestreo.
MB(N, p). Un elemento es seleccionado con probabilidad p, con
independencia de los demás.
πi = p πij = p × p = p2
MS(N, k ). Un elemento está en una única muestra. Dos
elementos entran en la muestra si “distan” un múltiplo de k .
1

1

 si |i − j| = k̇
πi = πij = k
k 

0 en otro caso

Una Herramienta: Variables Indicadoras
Dado un diseño muestral, d = (M, Pr ), si seleccionamos una

muestra aleatoria m, un elemento i pueden estar o no en ella.
Definimos las variables indicadoras,

1 si i ∈ m
Ii =
0 si i 6∈ m
E[Ii ] = 1 × Pr [Ii = 1] = πi
V [Ii ] = E[Ii2 ] − E 2 [Ii ] = πi − πi2 = πi (1 − πi )
Cov[Ii , Ij ] = E[Ii Ij ] − E[Ii ]E[Ij ] = πij − πi πj
NOTACiÓN: ∆ij = πij − πi πj

∆ij , i 6= j para MAS, MB y MS
MAS(N, n)
n(n − 1) n2 −f (1 − f )
∆ij = πij − πi πj = − 2 =
N(N − 1) N N(N − 1)
MB(N, p)
∆ij = πij − πi πj = p2 − p2 = 0
MS(N, k )
 
1 1 k −1
 k − k2 si |i − j| = k̇ si |i − j| = k̇

 

  k2

∆ij = πij −πi πj = =

 1  −1



 − 2 en otro caso  en otro caso
k k2

Definiciones
Diseño Probabilístico
Diremos que un diseño muestral es probabilístico si cumple
πi > 0, ∀i ∈ U
MAS, MB y MS son probabilísticos.
Diseño Cuantificable
Diremos que un diseño muestral (probabilístico) es cuantificable si
cumple πij > 0, ∀i 6= j ∈ U
MAS, MB son cuantificables. MS no es cuantificable

Diseños Probabilísticos y Cuantificables
Decir que un diseño es probabilístico es equivalente a decir que

todo elemento de la población aparece en al menos una
muestra del diseño.
Es una propiedad deseable pues si no se cumple, ello significa
que hay elementos de la población que NUNCA serán
muestreados, es decir, invisibles para el muestreo. Por esta
razón, siempre emplearemos diseños probabilísticos.
La propiedad de ser cuantificable tiene importantes
implicaciones en relación al cálculo del error de muestreo, es
decir, la discrepancia que existe por el hecho de emplear
muestreo y no censo completo.
Todo diseño cuantificable es probabilístico pero no a la inversa.
Es decir, hay diseños probabilísticos y no cuantificables como el
Diseño Sistemático.

Diseños Simples y Complejos
Los muestreos que hemos visto hasta ahora son simples:

seleccionan directamente los elementos de la población.
En la práctica, esta situación es inusual. Los elementos se
seleccionan después de fases previas de estructuración y/o
selección de agrupaciones de elementos. Tendríamos entonces
un muestreo complejo.
EJEMPLO: Para un estudio de producción industrial en
Andalucía, la muestra final de empresas puede construirse
realizando OCHO muestreos aleatorios simples independientes,
uno en cada provincia. MUESTREO ESTRATIFICADO.
EJEMPLO: Para una encuesta sociológica en la provincia de
Sevilla se puede seleccionar previamente una muestra aleatoria
simple de municipios, y en una segunda fase, se selecciona una
muestra de personas en cada municipio. MUESTREO POR
CONGLOMERADOS.
De cualquier forma, el estudio del Muestreo empieza por los
muestreos simples pues son la base de los complejos
Estimadores
Dado el parámetro poblacional θ, el objetivo de la Estadística

Inferencial es aproximarlo, o estimarlo en sentido estadístico,
encontrando incluso unos límites de tolerancia con una
predeterminada probabilidad, es decir, un intervalo de
confianza.
Dada la variable de estudio, Y , una muestra obtenida mediante
un diseño, m = {i1 , i2 , . . . , in } nos proporciona una información
basada en los valores de la variable para cada uno de los
elementos muestrales, es decir,
{yi | i ∈ m}
Para estimar θ emplearemos una función de dichos valores

muestrales, que denominaremos estimador, y que denotaremos
θ(m)
b
Como función genérica de m, θ(m)b es una variable aleatoria

[discreta] con distribución de probabilidad inducida por el diseño.

Etapas del Proceso Inferencial
FASE DE MUESTREO
d=(M,Pr )
U −−−−−−−−−−→ m
FASE DE ESTIMACIÓN
{yi | i∈m}
m −−−−−−−−−→ θ(m)
b

Propiedades y Características de los Estimadores
Sesgo. Desviación Respecto a θ
B[θ] b −θ
b = E[θ]
Estimador Insesgado. Propiedad Deseable

Diremos que θb es insesgado si,
E[θ]
b =θ es decir B[θ] b −θ =0
b = E[θ]
Error Cuadrático Medio. Calibración del Error

b = E[(θb − θ)2 ]
ECM[θ]
Estimadores Insesgados
b = E[(θb − θ)2 ] = E[(θb − E[θ])
ECM[θ] b 2 ] = V [θ]
b

Varianza. Intervalos de Confianza. Error
Para estimadores insesgados, podemos calibrar el error del

proceso inferencial mediante la varianza.
La varianza, V [θ],
b es un parámetro poblacional, por lo que
también tendremos que estimarla mediante Vb [θ].
b
El estimador θb sigue usualmente una distribución que se

aproxima a la normal. Si es insesgado podemos construir el
intervalo de confianza al 100 × (1 − α) %, donde z1−α/2 es el
percentil de la distribución normal N(0, 1),
q q q
θb − z1−α/2 V b , θb + z1−α/2 V
b [θ] b = θb ± z1−α/2 V
b [θ] b [θ]
b
q
ERROR TÍPICO= V
b [θ]
b
q
ERROR DE MUESTREO= z1−α/2 V
b [θ]
b

Dependencia del Diseño
Las propiedades y características de un estimador dependen del

diseño muestral. Supongamos que θ = y U , y consideremos como
estimador la media muestral,
1 X
ybU = y m = yi
n(m)
i∈m
Diseño Aleatorio Simple, MAS(N, n)

!
X 1X 1 1 XX
E[y U ] =
b yi N
= N yi
n n n n m∈M i∈m
m∈M i∈m

1 X N −1 1 X
= N yi = yi = y U
n n n−1 N
i∈U i∈U
INSESGADO

Dependencia del Diseño
Diseño Sistemático, MS(N, k ) con N = nk + r , r > 0
!
X 1 X 1
E[ybU ] = yi
n(m) k
m∈M i∈m
 
1 X 1 X X 1X 
=  yi + yi 
k n+1 n 
m∈M i∈m m∈M i∈m
n(m)=n+1 n(m)=n
   
1  X X  1  X X 
=  yi  +  yi 
k (n + 1)   kn  
m∈M i∈m m∈M i∈m
n(m)=n+1 n(m)=n
6= y U en general
NO INSESGADO

Bibliografía
Fernández García, F.R. y Mayor Gallego, J.A. (1995). Muestreo en

poblaciones finitas: Curso básico. E.U.B. Ediciones Universitarias de
Barcelona.
Lohr, S.L. (2010). Sampling: Design and Analysis. 2nd Edition.
Brooks/Cole. International Edition.
Särndal, C., Swensson, B. and Wretman, J. (1992). Model Assisted
Survey Sampling. Springer-Verlag. New York, Inc.


Mu Iea 01

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Mu Iea 01

Încărcat de

Drepturi de autor:

Formate disponibile

Muestreo en Poblaciones Finitas

Introducción y Conceptos Básicos

José A. Mayor Gallego

Departamento de Estadística e Investigación Operativa

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

La Inferencia Estadística surge de la necesidad de estudiar una

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Una característica asociada a cada elemento de una población

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

La variable de estudio, Y , no es aleatoria sino simplemente un

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Estudiar diferentes formas de seleccionar muestras mediante

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Población, U. Con N elementos. U = {1, 2, 3, . . . , N}.

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Si la variable de estudio es de naturaleza cuantitativa, como por

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

En la práctica, un método de muestreo se realiza seleccionando

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Para la población de N = 5 elementos,

la siguiente lista constituye o define un diseño muestral,

m {1, 3} {1, 4} {1, 5} {2, 4} {2, 5} {3, 5} {1, 3, 5}

Nótese que el tamaño de muestra es variable.

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Para la población de N elementos,

Sea M el conjunto de los subconjuntos de n elementos, siendo n ≤ N

Y sea Pr la distribución de probabilidad constante o uniforme sobre

Dicho así queda muy teórico; es una mera formalización que en la

Nótese que ahora el tamaño de muestra es fijo.

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Para la población de N elementos,

Generamos números aleatorios enteros y distintos, entre 1 y N,

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Para la población de N elementos,

Generamos números aleatorios enteros y distintos, entre 1 y N,

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Dada la probabilidad 0 < p < 1, se recorre secuencialmente la

Para este diseño, que se denota MB(N, p), M el conjunto de todos

La probabilidad de una muestra será,

Pr (m) = pn(m) (1 − p)N−n(m)

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Si N es múltiplo de k , N = nk , hay exactamente n bloques de k

En caso contrario, N = nk + r , existe un bloque adicional de r

Muestreo Aleatorio Simple con R. MAS(N, n).

Muestreo de Bernouilli con R. MB(N, p).

Muestreo Sistemático con R. MS(N, k ).

Dado un diseño muestral, d = (M, Pr ), si seleccionamos una

Probabilidades de Inclusión de Primer Orden.

Probabilidades de Inclusión de Segundo Orden.

πij = Pr [i, j ∈ m] ∀i, j ∈ U

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

m {1, 3} {1, 4} {1, 5} {2, 4} {2, 5} {3, 5} {1, 3, 5}

Sumamos las probabilidades de las muestras favorables a i ∈ m para

π2 = Pr ({2, 4}) + Pr ({2, 5}) = 00 1 + 00 1 = 00 2

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

MAS(N, n). Espacio muestral equiprobable. Fórmula de Laplace.

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011

Dado un diseño muestral, d = (M, Pr ), si seleccionamos una

V [Ii ] = E[Ii2 ] − E 2 [Ii ] = πi − πi2 = πi (1 − πi )

Cov[Ii , Ij ] = E[Ii Ij ] − E[Ii ]E[Ij ] = πij − πi πj

NOTACiÓN: ∆ij = πij − πi πj

INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011