Documente Academic
Documente Profesional
Documente Cultură
Septiembre de 2011
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.
INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011
Introducción al Muestreo en Poblaciones Finitas C B 9/32
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.
INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011
Introducción al Muestreo en Poblaciones Finitas C B 10/32
Diseño Muestral
U = {1, 2, 3, 4, 5}
U = {1, 2, 3, . . . , N}
U = {1, 2, 3, . . . , N}
U = {1, 2, 3, . . . , N}
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 .
muestra=sample(N,n)
muestra=c()
for (i in 1:N)
if (runif(1)<=p) muestra=c(muestra,i)
gamma=1+trunc(k*runif(1))
muestra=c()
while(gamma <= N)
muestra=c(muestra,gamma);gamma=gamma+k
INSTITUTO DE ESTADÍSTICA DE ANDALUCÍA. Curso de Muestreo. Septiembre 2011
Introducción al Muestreo en Poblaciones Finitas C B 17/32
Probabilidades de Inclusión
πi = Pr [i ∈ m] ∀i ∈ U
NOTA: πii = πi
etc.
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
E[Ii ] = 1 × Pr [Ii = 1] = πi
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
Diseño Probabilístico
Diremos que un diseño muestral es probabilístico si cumple
πi > 0, ∀i ∈ U
Diseño Cuantificable
Diremos que un diseño muestral (probabilístico) es cuantificable si
cumple πij > 0, ∀i 6= j ∈ U
FASE DE MUESTREO
d=(M,Pr )
U −−−−−−−−−−→ m
FASE DE ESTIMACIÓN
{yi | i∈m}
m −−−−−−−−−→ θ(m)
b
B[θ] b −θ
b = E[θ]
E[θ]
b =θ es decir B[θ] b −θ =0
b = E[θ]
Estimadores Insesgados
b = E[(θb − θ)2 ] = E[(θb − E[θ])
ECM[θ] b 2 ] = V [θ]
b
q
ERROR TÍPICO= V
b [θ]
b
q
ERROR DE MUESTREO= z1−α/2 V
b [θ]
b
INSESGADO
!
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