INTRODUCCIÓN A LOS MODELOS DE SUPERPOBLACIÓN EN LAS TÉCNICAS DE MUESTREO CON PROBABILIDADES DESIGUALES
|
|
- Óscar López Rodríguez
- hace 6 años
- Vistas:
Transcripción
1 Metodología de Encuestas ISSN: Vol 4, Núm 1, 00, INTRODUCCIÓN A LOS MODELOS DE SUPERPOBLACIÓN EN LAS TÉCNICAS DE MUESTREO CON PROBABILIDADES DESIGUALES Gonzalo Sánchez-Crespo Insttuto Naconal de Estadístca RESUMEN Los modelos de superpoblacón pueden concebrse como estrategas para la cuantfcacón de la representatvdad del error cuadrátco medo de una estmacón. La mportanca que tene el estudo de la representatvdad en los entes estadístcos hace aconsejable utlzar los modelos de superpoblacón en lugar de los cláscos, para las nvestgacones por muestreo. En este trabajo se presentan los modelos de superpoblacón orentados al muestreo con probabldades de seleccón desguales. Palabras clave: modelos de superpoblacón, muestreo con probabldades desguales, reposcón parcal, POSDEM.
2 88 G. Sánchez-Crespo Introduccón En este artículo vamos a realzar una ntroduccón sobre la forma de evaluar dstntas técncas de probabldades desguales al tempo que mostraremos la necesdad de utlzar modelos de superpoblacón al dseñar una nvestgacón por muestreo, para cuantfcar la representatvdad de la varanza o del error cuadrátco medo de una estmacón y poder elegr el método de muestreo que mejor se adapte a una determnada nvestgacón. La ntucón nos hace desconfar de la estmacón obtenda del error de muestreo (Error cuadrátco Medo ECM con una únca muestra, entre otros motvos porque la estmacón del ECM tene a su vez un error de estmacón. Para ver esto de forma senclla, pensemos en que s, por casualdad, en una determnada nvestgacón se obtene una muestra completamente homogénea, su error de muestreo, calculado con los datos obtendos de esa muestra concreta, será cero. Esto nos alerta sobre los procedmentos de cálculo del error de muestreo utlzando métodos basados úncamente en el contendo de una sola muestra, sabendo que, en este caso, el problema tampoco se resuelve utlzando técncas de remuestreo. Por otro lado, tambén tendremos que preguntar por la representatvdad de la estmacón del error de muestreo obtenda cuando podemos acceder a formar todo el espaco muestral en base a una únca poblacón. En este caso se deja de consderar que la poblacón marco está sujeta a varacones o errores aleatoros. Por ello, necestamos calcular el ECM tenendo en cuenta su heterogenedad y la posble varabldad aleatora de la poblacón, esto es sus posbles "cambos aleatoros". De ahí que obtengamos un modelo que defne y que genera poblacones con lo que podríamos llamar el molde de las poblacones que se pueden generar de una determnada clase (que por comoddad llamaremos superpoblacón pero que debera llamarse suprapoblacón. Con este modelo sí puede calcularse el ECM y su establdad. Esto nos proporcona una cota superor de error que ncluye ambos conceptos y que nos permte tener un ndcador de la representatvdad de determnadas estmacones obtendas con determnados métodos de seleccón y estmacón. Esto hay que acompañarlo con que, además, exsten métodos de muestreo especalmente sensbles a los cambos en la varabldad señalada y a los cambos en los supuestos en los que se basan. En ellos, aplcar un esquema de superpoblacón permte dsponer de estmacones más robustas, elgendo el más dóneo. Para lustrar estos conceptos y defnr alguno de los ndcadores propuestos, se va a desarrollar este tema utlzando dos ejemplos hpotétcos. Por últmo, se presenta aberta una vía de nvestgacón para la formulacón teórca de los resultados obtendos medante procesos de smulacón, referentes al valor esperado respecto del modelo de superpoblacón de la varanza del estmador del ECM. Evaluacón de métodos de muestreo Para evaluar los métodos de muestreo, utlzaremos un modelo de superpoblacón adaptado a la poblacón que queremos nvestgar. Con ello, se evta obtener resultados poco robustos o ncluso anecdótcos. En el caso de los estmadores utlzados en las
3 Introduccón a los modelos de superpoblacón en las técncas de muestreo lustracones de este artículo, al ser nsesgados concden los conceptos de error cuadrátco medo del estmador y varanza del estmador, por lo que utlzaremos ambos térmnos: ECM xˆ E xˆ X ( ( El programa POSDEM (Sánchez-Crespo y Lezcano, 1999; Mateo, 000 obtene la estructura de la poblacón marco ajustando los datos con el método de los polnomos ortogonales. Posterormente es posble generar poblacones defndas por el modelo y calcular el ECM para cada poblacón y especfcacones del método de muestreo consderado. La meda del ECM calculada sobre el conjunto de las poblacones generadas, se puede consderar como una aproxmacón del valor esperado del ECM bajo un enfoque de superpoblacón. E [ ECM ( xˆ ] G g 1 ECM donde g 1,,...G representa el conjunto de poblacones fntas generadas con el modelo. Este procedmento de evaluacón está en relacón con el trabajo de Bellhouse y Rao (1975. Los resultados obtendos para modelos con grados uno y dos son concdentes con los dervados teórcamente por éstos. La varanza sobre el modelo se consdera la medda de la acuracdad del ECM. Vene dada por la expresón: V [ ECM ( xˆ ] G ( xˆ G ( ECM ( xˆ g E [ ECM ( xˆ ] g 1 Para evaluar los métodos de muestreo, utlzaremos un límte superor de confanza que tene en cuenta el valor esperado del ECM E G [ ECM ( xˆ ] y su desvacón. V ECM ( xˆ Es decr: E [ ] [ ECM ( x ˆ ] + 1,96 V [ ECM ( xˆ ] que permte dsponer de un límte de confanza que contendrá el ECM, al menos en un 95 de cada 100 poblacones generadas o potencalmente posbles de encontrar en el trabajo de campo. g
4 90 G. Sánchez-Crespo Muestreo con probabldades proporconales al tamaño Consderemos una poblacón compuesta por N undades, que queremos nvestgar medante una muestra. Representaremos cada undad por u, con 1,,...N. S dentro de cada una de estas undades, nteresa medr una característca desconocda, X, que tene asocada otra característca conocda, M, podemos utlzar la nformacón auxlar para mejorar el dseño de la nvestgacón. Para este caso lustratvo, consderamos una agenca que debe nspecconar cuatro expedentes de gasto, para conocer cuál es la cantdad de dnero que se ha gastado ndebdamente. Para esta labor nspectora, debdo a seros recortes presupuestaros y dado que el trabajo debe ser termnado en un breve espaco de tempo, la agenca no dspone de los medos necesaros para nvestgar la totaldad de los expedentes. Debdo a ello úncamente podrá nvestgar dos de los cuatro menconados. Exsten dstntas formas de elegr qué undades deben ser nvestgadas. En funcón del método de seleccón que se elja, el estudo será más o menos precso. Por tanto el objetvo ncal es elegr entre dstntos métodos de seleccón de muestras, de forma que el error cometdo debdo a que no se cubre toda la poblacón sno sólo una parte, sea el menor posble. Para responder a esta cuestón sobre qué método de seleccón es preferble, se plantea un escenaro smulado. Para ello, suponemos que la nformacón buscada, X, está ya dsponble, y que los datos de los cuatro expedentes son los que fguran en el cuadro 1. X M 1 1 Cuadro 1: relacón entre undades y tamaños. donde X representa el número de mllones que se han gastado ndebdamente en cada uno de esos expedentes y M representa una varable de clasfcacón según el tamaño del gasto total del expedente -ésmo. Tanto el tamaño de poblacón como los datos de X y de M consttuyen una smplfcacón con fnes lustratvos. En la últma parte de este artículo, se hará una smulacón más general. Elegr las undades que van a formar parte de la muestra con probabldades proporconales a una varable auxlar en este caso el tamaño de cada undad, es un proceso probablístco que puede representarse con un esquema de urnas (véase fgura 1: por cada undad, se ntroducen en la urna tantas bolas como nos ndque la varable auxlar. Después, cada undad es selecconada en funcón de s la bola que la representa es o no extraída. S el esquema de seleccón es con reposcón, después de cada extraccón devolvemos la bola a la urna y, por tanto, ésta permanecerá nvarable. S el esquema de seleccón fuese sn reposcón, entonces evtamos que una undad pueda volver a ser selecconada, sacando de la urna todas las bolas que la representan. Para comparar los resultados que vamos a obtener con el caso más smple de muestreo aleatoro donde las probabldades de seleccón de cada undad son guales, tendremos que, según se observa en el cuadro, M 1,. En tal caso, los cuatro expedentes están gualmente representados por una únca bola en la urna. Por tanto, la probabldad de ser selecconados es déntca para cualquera de ellos.
5 Introduccón a los modelos de superpoblacón en las técncas de muestreo Fgura 1: esquema de urnas con seleccón proporconal al tamaño. X M Cuadro : relacón entre undades y tamaños. Para este caso, se puede comprobar fáclmente que tanto la varanza del estmador como su propa varanza toman los valores que fguran en la tabla 1. Tabla 1: varanzas en funcón del modelo de seleccón con probabldades guales. Métodos V ( xˆ V Vˆ ( xˆ Los cálculos realzados para obtener la varanza del estmador del total se basan en la expresón V ( xˆ k ( xˆ j x Mentras que, para la varanza del estmador de la varanza, se recurre a: V ( Vˆ ( xˆ j 1 k k ( Vˆ ( xˆ j V ( xˆ j 1 k [ ] Con reposcón 1 13,00 Sn reposcón 6,67 3,89
6 9 G. Sánchez-Crespo sendo k el número de muestras posbles. Para responder a la pregunta sobre s puede dsmnur la varanza del estmador al utlzar la nformacón auxlar sobre el tamaño de los expedentes, cambando las probabldades de seleccón, vamos a suponer que consderamos todas las M 1 menos M 4. Los nuevos resultados se muestran en la tabla. Tabla : varanzas en funcón del modelo de seleccón con probabldades proporconales al tamaño. [ ] Métodos V ( xˆ V Vˆ ( xˆ Con reposcón 5,00 43,75 Sn reposcón 4,17 75,35 Como puede observarse, la varanza del estmador ha dsmnudo respecto a los procedmentos con probabldades guales. Además, podemos observar que, en contra de lo que ocurría en el caso de muestreo con probabldades guales, la varanza del estmador de la varanza es menor para el modelo con reposcón que para el modelo sn reposcón. Vemos, con este caso lustratvo, que es posble obtener una menor varanza del estmador modfcando las probabldades de seleccón. No obstante, s no dsponemos de una nformacón auxlar convenente, es posble que se presenten resultados ndeseables, al partr de un modelo nadecuado. Por ejemplo, s por alguna razón contamos con tamaños asocados con cada undad que fguran en el cuadro 3, se generarían los resultados que se muestran en el cuadro 3. X M Cuadro 3: undades de tamaño desgual. Tabla 3: resultados para el cuadro 3. [ ] Métodos V ( xˆ V Vˆ ( xˆ Con reposcón 51,50 Sn reposcón 1,50 384,38 Vemos como, en este caso, al utlzar probabldades proporconales al tamaño, los resultados han sdo peores que s hubésemos utlzado probabldades guales. Esto es, s la relacón exstente entre la varable auxlar y la varable de estudo no es proporconal, puede ser mejor utlzar probabldades guales.
7 Introduccón a los modelos de superpoblacón en las técncas de muestreo Muestreo con reposcón y probabldades proporconales al tamaño S usamos un esquema de seleccón con reposcón y probabldades proporconales al tamaño (Cr_ppt, la probabldad de cada undad de pertenecer a una muestra de n undades es será np. Con ello, el estmador del total será: Xˆ Cr _ ppt 1 n Consderemos el ejemplo del cuadro 1. En tal caso, las posbles muestras junto con sus valores asocados X y M, el estmador obtendo para el total y la probabldad de cada muestra serán los que constan en la tabla 4. n 1 Tabla 4: resultados de las realzacones muestrales para un modelo con reposcón y probabldades proporconales al tamaño. U,U j X, X j M, M j X ˆ Cr _ ppt P(U,U j U 1, U 1 1, 1 1, 1 6,00 1/36 U 1, U 1, 1, 1 9, 00 1/18 U 1, U 3 1, 3 1, 7,50 1/9 U 1, U 4 1, 4 1, 1/9 U, U, 1, 1 1,00 1/36 U, U 3, 3 1, 10,50 1/9 U, U 4, 4 1, 1,00 1/9 U 3, U 3 3, 3, 1/9 U 3, U 4 3, 4, 10,50 /9 U 4, U 4 4, 4, 1,00 1/9 Total 1 X p La varanza del estmador del total vene dada por la expresón: V Cr _ ppt N 1 n 1 X p p X Así, en cada muestra podemos utlzar el estmador nsesgado para la varanza dado por: Vˆ n 1 Cr _ ppt n( n 1 1 X Xˆ p Cr _ ppt
8 94 G. Sánchez-Crespo Cuyos resultados correspondentes constan en la tabla 5. Tabla 5: varanzas del estmador según la seleccón medante un modelo con reposcón y probabldades guales al tamaño. U,U j V ˆ Cr _ ppt P(U,U j U 1, U 1 1/36 U 1, U 1/18 U 1, U 3,5 1/9 U 1, U 4 1/9 U, U 1/36 U, U 3,5 1/9 U, U 4 1/9 U 3, U 3 1/9 U 3, U 4,5 /9 U 4, U 4 1/9 Total 1 Sobre el conjunto de todas las muestras posbles tenemos los sguentes resultados: E ( ˆ X E [ Vˆ ( ˆ ] V ( ˆ X Cr _ ppt X Cr _ ppt X Cr _ ppt La tabla 6 muestra estas operacones en formato de hoja de cálculo. En ella vemos, V V Vˆ ˆ 9,5. como prncpales resultados, que ( ˆ,5 y que [ ( ] X Cr _ ppt X Cr _ ppt Tabla 6: resultados ntermedos en formato de hoja de cálculo. I A, B C, D E F G HFE JGE KE(G-ΣJ^ E(F-ΣH^ X, X j M, M j p(u, U j Xˆ Cr Vˆ Cr E Cr V Cr E[ Vˆ ] Cr V[ Vˆ Cr ] 1, 1 1, 1, 3 1, 4,, 3, 4 3, 3 3, 4 4, 4 1, 1 1, 1 1, 1, 1, 1 1, 1,,,, 1/36 1/18 1/9 1/9 1/36 1/9 1/9 1/9 /9 1/9 6,00 7,50 1,00 10,50 1,00 10,50 1,00,5,5,5 0,17 0,50 0,83 1,00 0,33 1,17 1,33 1,00,33 1,33 0,44 0,06 0,69 0,11 0,11 0,03 0,44 0,11 0,06 0,44 0,50 0,5 1,00 0,5 0,50 0,17,35 0,01 4,69 0,17 0,01 0,69 0,69 0,01 0,69 Total 1,00 1,50,50 9,50
9 Introduccón a los modelos de superpoblacón en las técncas de muestreo Muestreo sn reposcón y probabldades proporconales al tamaño Ahora, s usamos un esquema de muestreo sn reposcón y probabldades proporconales al tamaño, con las condcones de Brewer, tendremos donde X Sr _ ppt n X np ˆ con E [ Xˆ ] X Con ello, la varanza del estmador del total es V N [ Xˆ Sr _ ppt ] ( p p j pj j> Sr _ ppt X X p p Y el estmador nsesgado para la varanza con muestras de tamaño dos: p j V ˆ [ Xˆ ] Sr _ ppt ( p p j pj j > p j j j X X p p 1 ( p ( ( + p j M 1 p p D 1+ 1 p 1 p j M 1 p p p j N D j En el ejemplo que estamos sguendo las muestras posbles junto con sus correspondentes cálculos y estmacones venen dadas por la tabla 7, donde vemos, como prncpales resultados, que ˆ 1, V Vˆ ˆ 7, V [ ] 79 y que ( [ ] 74 X Sr _ ppt X Sr _ ppt Tabla 7: resultados ntermedos para el modelo de muestreo sn reposcón, con probabldades proporconales al tamaño. I A, B C, D E F G HFE JGE KE(G-ΣJ^ E(F-ΣH^ p X, X j M, M, p j, j Xˆ p(u,u j Cr Vˆ Cr E Cr V Cr E[ Vˆ ] Cr V[ Vˆ Cr ] 1, 1, 3 1, 4, 3, 4 3, 4 1, 1 1, 1, 1, 1,, 1/3 1/3 1/7 1/3 /3 1/7 1/3 /3 1/7 1/3 /3 1/7 1/ /3 1/7 /3 /3 3/8 7,50 10,50 1,00 10,50 1,00 1,5 5,00 1,5 0,38 0,43 1,07 1,9 1,50 1,71 4,00 0,05 0,89 0,14 0,04 0,57 0,10 0,57 0,18 0,71 0,18 0,14 4,97 0,04,48 0,04 0,46 0,76 Total 1,00 1 1,79 1,79 7,74 j j
10 96 G. Sánchez-Crespo El prncpal nconvenente de este método es que, en certos casos, el estmador de la varanza puede ser ndetermnado debdo a que p j puede tomar el valor cero. Además, pueden presentarse estructuras de poblacón que hagan que el estmador de la varanza tome valores negatvos, lo que no tene sentdo. Como ejemplo, puede comprobarse que para los valores: M 1,1,1,3 en el caso que estamos desarrollando, tendremos una varanza ndetermnada y para M 1,1,1,6 estmacones de varanza negatvas. Muestreo con reposcón parcal y probabldades proporconales al tamaño En este caso, se puede hacer la seleccón muestral con el sguente esquema: en la prmera seleccón se utlza la medda orgnal del tamaño M, suponendo que la undad U es selecconada con probabldad: N M p donde M M M Para la segunda seleccón, se utlza la medda reducda M -b, donde la constante b se defne como: mn M Mo b n 1 n 1 donde n es el tamaño de muestra y [ ] representa el entero más próxmo. La probabldad de la undad U en la prmera seleccón es u M p p 1ª seleccón M Para la segunda seleccón, tenemos para la probabldad ncondconal de u : p u j u + p 1ª seleccón u u en la1ª seleccón M M M M M + M b M M b M M M b M + M M ( M b bm M ( M b M ( M b p Con ello, la probabldad de que la undad u pertenezca a la muestra de tamaño dos es p. Así pues, el estmador para el total es
11 Introduccón a los modelos de superpoblacón en las técncas de muestreo Su varanza V Xˆ Crp n X np ( N M nb X Xˆ 1 Crp p X M b n p Fnalmente, un estmador nsesgado de la expresón anteror para n, es Vˆ ( N M b Xˆ Crp 1 X 1 X M b 4 p1 p Los resultados correspondentes a los datos del ejemplo se muestran en la tabla 8, en donde vemos, como prncpales resultados, que V [ ˆ ], 0 y que V ( V ˆ [ ˆ ] 4, 4 X Crp X Crp Tabla 8: resultados ntermedos para el modelo de muestreo con reposcón parcal. I A, B C, D E F G HFE JGE KE(G-ΣJ^ E(F-ΣH^ X, X j M, M j p(u,u j Xˆ Cr Vˆ Cr E Cr V Cr E[ Vˆ ] Cr V[ Vˆ Cr ] 1, 1, 3 1, 4, 1,, 3, 4 3, 1 3, 3, 3 3, 4 4, 1 4, 4, 3 4, 4 1, 1 1, 1, 1, 1 1, 1 1, 1,, 1, 1,,, 1, 1,, 1/30 1/30 0 /15 /15 7,50 1,00 10,50 1,00 7,50 10,50 10,50 1,00 10,50 1,00 6,00 1,50 6,00 6,00 1,50 1,50 1,50 1,50 6,00 1,50 0,30 0,50 0,60 0,30 0,70 0,80 0,50 0,70 0,60 1,40 0,60 0,80 1,40 0,80 0,03 0,4 0,07 0,03 0,0 0,7 0,4 0,0 0,07 0,03 0,07 0,7 0,03 0,7 0,0 0,10 0,40 0,0 0,10 0,10 0,10 0,0 0,40 0,0 0,53 0,0 1,07 0,53 0,0 0,7 0,0 0,0 0,7 0,03 1,07 0,7 0,03 0,7 Total 1,00 150,0 1,00,00 4,40 En resumen y consderando los tres métodos en conjunto, cuyos resultados obtendos hasta el momento se encuentran en la tabla 9, se puede conclur que la varanza del estmador del total es más pequeña para Sr_ppt. Sn embargo, s observamos la varanza del estmador de la varanza, entonces el mejor resultado corresponde a Crp_ppt. Esto es
12 98 G. Sánchez-Crespo consecuenca de que el método Sr_ppt es más nestable al estmar la varanza. S comparamos los valores obtendos al aplcar la expresón meda más tres veces la desvacón típca, con el máxmo valor que toma el estmador de la varanza, podemos observar el efecto descrto de comportamento errátco del estmador de la varanza para el método Sr_ppt. Tabla 8: comparacón entre los tres métodos. V xˆ V V xˆ V xˆ Vˆ xˆ + 3 V Vˆ xˆ [ ] [ ] Métodos ˆ ( ˆ ( Máxmo ˆ ( ( ( Cr_ppt Sr_ppt Crp_ppt,5 1,7,0 9,5 7,7 4, ,7 10,1 8, Un modelo de superpoblacón sencllo Hasta el momento, hemos supuesto que conocíamos los valores que toma X y que éstos eran constantes. Es posble que, en realdad, estos valores esten afectados por errores en la observacón, en la medcón, cambos por el paso del tempo en certos casos u otras causas. La cuestón es que estos valores de X pueden consderarse afectados por una varabldad aleatora. En nuestro ejemplo, para lustrar que los valores de X son, en realdad, los resultados de una realzacón aleatora, vamos a suponerlos modelados por la sguente expresón: DISTR.NORM.INV(random(;;0. con 1,,3,4. Esta expresón proporcona unos valores aleatoros que se dstrbuyen según una normal de parámetros meda y desvacón típca 0. Una realzacón nos proporconaría los valores contendos en el cuadro 4. X 0,9856,0167,705 4,0679 M 1 1 Cuadro 4: realzacones aleatoras de undades. S repetmos la generacón aleatora ocho veces, tendremos ocho poblacones smlares en cuanto a estructura pero que presentan lgeras varacones aleatoras unas de otras. Los resultados para los métodos de seleccón consderados se muestran en la tabla 10. Gráfcamente, con la fgura, podemos observar que no es posble establecer en qué medda un método es preferble a otro con el análss de los datos de una sola poblacón, puesto que esa medda depende de la poblacón concreta que se analza. Las conclusones obtendas en cuanto a la varanza del estmador, tras analzar las poblacones fntas tres o cnco (PF3, PF5, serían muy dferentes. Queremos resaltar que, en este ejemplo, y a pesar de ser muy smlares unas poblacones a otras, la octava poblacón, que es la que hemos puesto en la tabla ncal de este apartado, presenta un comportamento dferente en cuanto a establdad que las otras sete poblacones consderadas. S nuestras conclu-
13 Introduccón a los modelos de superpoblacón en las técncas de muestreo sones se basaran úncamente en esta realzacón concreta, nuestras conclusones estarían afectadas por un componente anecdótco que no representa un comportamento general. Tabla 10: smulacón de resultados (modelo de superpoblacón V ( xˆ PF1 PF PF3 PF4 PF5 PF6 PF7 PF8 Valores esperados Cr_ppt Sr_ppt Crp_ppt 3,51,41,81,46 1,57 1,97 0,74 0,59 0,59,16 1,74 1,73 4,31,73 3,45 3,08 1,95,47 3,36,4,69 3,36,3,69,87 1,96,30 V Vˆ xˆ PF1 PF PF3 PF4 PF5 PF6 PF7 PF8 Valores [ ( ] Cr_ppt Sr_ppt Crp_ppt 13,78 14,6 6,45 6,55 5,49 3,0 17,50 17,40 8,38 7,03 4,58 3,09 1,3 10,77 9,3 3,73,84 1,83 13,03 10,40 6,11 18,74 7,31 8,79 esperados 17,71 9,13 5, Cr Sr Crp 0 PF1 PF PF3 PF4 PF5 PF6 PF7 PF8 ˆ. Fgura : representacón gráfca de los valores de V ( xˆ Podemos confrmar estos resultados empírcos con los obtendos teórcamente medante la expresón: E [ V Crp _ ppt ] b( n 1 n 1 R 1 E [ V _ ] M b M Cr ppt 1 b Susttuyendo los valores de n, M y b se obtene que la gananca de Crp sobre Cr, en varanza del estmador, será gual al 0%. Al susttur por los valores empírcos de las esperanzas respecto del modelo estaríamos en un 19,86%. Con ello, podemos consderar una confrmacón de los valores teórcos cas exacta. Para la comparacón entre Sr y Cr los valores obtendos serían, respectvamente, 33% y 31,7% Gráfcamente, con la fgura 3, utlzando la segunda parte de la tabla 10, podemos observar los resultados calculados para la varanza del estmador de la varanza en cada método, para el conjunto de las ocho generacones aleatoras de la poblacón fnta utlzada como patrón.
14 100 G. Sánchez-Crespo Cr Sr Crp 0 PF1 PF PF3 PF4 PF5 PF6 PF7 PF8 [ ] ˆ. Fgura 3: representacón gráfca de los valores de V V ( xˆ El método Crp_ppt mejora a los otros en cuanto a establdad de la varanza en todas las poblacones menos en la octava. Ésta es la poblacón que hemos puesto de ejemplo en este trabajo para ver que no es sufcente el análss de una sola poblacón y que es necesaro plantear un enfoque suprapoblaconal. Esta octava poblacón especal se ha obtendo después de un conjunto amplo de pruebas, smplemente con el fn de mostrar que es físcamente posble. De forma análoga al caso de varanza del estmador, s ben no está dsponble un estudo teórco, podemos llevar a cabo una cuantfcacón de la gananca de un método respecto de otro, pero esta vez en térmnos de varanza del estmador de la varanza. Así, para Crp sobre Cr, tendremos: E R 1 E y para Sr sobre Cr, será E R 1 E ( V [ Vˆ Crp _ ppt ] ( V [ Vˆ ] Cr _ ppt ( V [ Vˆ Crp _ ppt ] ( V [ Vˆ ] Cr _ ppt 1 1 5,87 17,71 9,13 17,71 66,8 % 48,4 % Una poblacón y un tamaño de muestra mayor Aquí vamos a utlzar una poblacón algo mayor que la consderada hasta ahora y realzaremos los cálculos con un programa de ordenador confecconado a medda de estas necesdades. Un tamaño de muestra de dos undades es debdo a que tene mportantes ventajas y no supone una lmtacón. Pero aquí amplaremos estas dmensones, medante una poblacón de tamaño 8, y muestras de tamaño 4 con los dferentes esquemas de probabldades desguales estudados. Para obtener muestras de mayor tamaño, recurrmos a consderar la poblacón dvdda en grupos, estratos, de 4 undades cada uno. En cada grupo, selecconamos una muestra ndependente de tamaño gual. De
15 Introduccón a los modelos de superpoblacón en las técncas de muestreo esta forma, por agregacón, tenemos un total de 4 undades muestrales. Este esquema puede extenderse a cualquer tamaño de poblacón y de muestra. Las fórmulas de aplcacón, para el estmador del total, dado que la seleccón es ndependente en cada estrato, son: L Xˆ st Xˆ h h Vˆ Vˆ ( ˆ L st X h h Obtendos los valores de st V ˆ X ˆ st, con tamaños de muestra en cada estrato gual a dos undades y con las fórmulas desarrolladas para los dstntos esquemas de seleccón y estmacón con probabldades proporconales al tamaño de los apartados anterores, podremos obtener las estmacones para el total y su varanza, correspondentes a tamaños de muestra superores a dos. Al recurrr al programa de ordenador POSDEM, podemos utlzar como poblacón marco cualquer poblacón fnta. Por smplcdad, en el ejemplo utlzaremos la poblacón del cuadro 5, cuyos prncpales resultados se encuentran en la tabla 11. Xˆ y de ( X M Cuadro 5: smulacón de una poblacón. Tabla 11: comparacón entre los tres métodos. V ˆ V Vˆ ˆ Métodos ˆ ( [ ( ] Cr_ppt Sr_ppt Crp_ppt X st 7,735 5,7139 5,8514 X st 6,656 13,9088 1,7006 En los ejemplos anterores hemos calculado todas las muestras posbles. Cuando la poblacón y el tamaño de muestra son pequeños, esto no supone una gran dfcultad. No obstante, cuando estos aumentan, para realzar los cálculos necesaros es más convenente utlzar una representacón lo más ampla posble del espaco muestral. En este ejemplo, hemos representado el espaco de todas las muestras que es posble obtener, con un determnado procedmento de seleccón, generando un conjunto de cuatrocentas muestras con cada procedmento para cada poblacón fnta. Ahora, vamos a analzar este msmo resultado enfocándolo desde un modelo aleatoro de superpoblacón sencllo. Se trata de evtar el posble componente anecdótco que podría estar lgado más que a la forma de la poblacón y a su estructura básca, a certas combnacones de valores. Para esto, podemos representar los valores de la poblacón medante la ecuacón: X 0.99+e
16 10 G. Sánchez-Crespo donde X son los valores de la varable de estudo obtendos ajustando una funcón lneal a los datos orgnales es la pendente de la recta. 1,,...8 representa el índce de cada undad. e es un térmno aleatoro dstrbudo normal de meda cero y desvacón típca 0,1 Se recurre a la aplcacón POSDEM para modelar, medante la técnca de polnomos ortogonales, cualquer poblacón, ndependentemente de la forma que tenga. Es posble tambén, s la forma de la poblacón es muy compleja, obtener ecuacones por tramos y utlzarlas conjuntamente para representar la estructura de una poblacón. En el ejemplo, hemos obtendo un conjunto de 00 poblacones que sguen el msmo patrón de la poblacón orgnal. En cada una de ellas hemos obtendo la varanza del estmador del total. En la tabla 1 pueden observarse los resultados obtendos en las 0 prmeras realzacones y un tamaño de muestra gual a cuatro. Tabla 1: resultados de la smulacón con POSDEM para la varanza. V ( X ˆ Cr_ppt Sr_ppt Crp_ppt V ( X ˆ Cr_ppt Sr_ppt Crp_ppt Estos resultados, respecto del modelo, pueden observarse gráfcamente para el conjunto de las doscentas poblacones fntas aleatoras medante la fgura Acuracdad del estmador del total Cr_ppt Sr_ppt Poblacones Crp_ppt Fgura 4: valores para la acuracdad del estmador del total, en una smulacón de 00 poblacones.
17 Introduccón a los modelos de superpoblacón en las técncas de muestreo Igualmente, pueden a su vez resumrse medante la esperanza respecto del modelo de la varanza del estmador, según consta en la tabla 13. Tabla 13: comparacón entre los tres métodos. Métodos E [ Vˆ ( ˆ ] Cr_ppt Sr_ppt Crp_ppt X st 7,88 6,0 5,94 S en lugar de observar en cada poblacón el parámetro varanza del estmador, observamos el parámetro varanza de la varanza del estmador, podremos obtener una medda de la representatvdad del estmador de la varanza para cada método. Los resultados obtendos se muestran en la tabla 14 y representados gráfcamente en la fgura 5. Tabla 14: resultados de la smulacón con POSDEM para la varanza. V ( V ˆ Cr_ppt Sr_ppt Crp_ppt V ( V ˆ Cr_ppt Sr_ppt Crp_ppt Establdad del estmador de la varanza Cr_ppt Sr_ppt Crp_ppt Poblacones 00 Fgura 5: valores para la establdad del estmador de la varanza, en una smulacón de 00 poblacones.
18 104 G. Sánchez-Crespo El resumen de los valores esperados respecto del modelo para la varanza del estmador de la varanza de los métodos consderados se encuentra en la tabla 15. Tabla 15: comparacón entre los tres métodos. Métodos E ( V [ Vˆ ( ˆ ] Cr_ppt Sr_ppt Crp_ppt X st 59,93 115,0 3,05 En este ejemplo lustramos cómo el método con reposcón parcal puede presentar una ventaja en cuanto a precsón de las estmacones respecto del método con reposcón y, tambén, puede suponer una mejora en cuanto al método sn reposcón en el sentdo de que el estmador de la varanza que propone presenta ganancas en cuanto a representatvdad del verdadero valor. Conclusón Con un ejemplo lustratvo hemos ntroducdo al lector en las técncas de muestreo con probabldades desguales al tempo que hemos mostrado las dferencas, ventajas e nconvenentes, de unos métodos con otros. Ponendo de manfesto la necesdad de realzar dseños muestrales adaptados a cada nvestgacón por muestreo y la necesdad de la utlzacón de los modelos de superpoblacón en las nvestgacones empírcas. Para facltar esta tarea se ha utlzado el software POSDEM desarrollado con el propósto de optmzar la eleccón entre planes de muestreo alternatvos. Por últmo dejamos aberta una vía de nvestgacón para la formulacón teórca de los resultados que hemos obtendo medante procesos de smulacón referentes al valor esperado respecto del modelo de superpoblacón de la varanza del estmador del error cuadrátco medo. Los resultados muestran de forma nequívoca la necesdad de trabajar con modelos de superpoblacón como estratega para llegar a estmacones del ECM y para salvar el nconvenente del posble carácter anecdótco de la confguracón poblaconal del momento. Referencas Bellhouse, D.R. y Rao, J.N.K. (1975 Systematc samplng n the presence of a trend. Bometrka, 6, Mateo, M. (000 Posdem: seleccón entre planes de muestreo probablístco, de G. Sánchez-Crespo y A. Lezcano. Metodología de Encuestas, ( Sanchez-Crespo Bentez, G; Lezcano Lastra, A. (1999: POSDEM. Revsta Electrónca de Metodología Aplcada, 4 ( 1-36.
Estadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesInstituto Nacional de Estadísticas Chile METODOLOGÍA. Encuesta Estructural de Transporte por Carretera Año contable 2012
Insttuto Naconal de Estadístcas Cle METODOLOGÍA Encuesta Estructural de Transporte por Carretera Año contable 0 Insttuto Naconal de Estadístcas 04 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 013 INSTITUTO NACIONAL DE ESTADÍSTICAS 015 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesESTIMACIÓN DEL TOTAL DE HOGARES CON NECESIDADES BÁSICAS INSATISFECHAS EN LA CIUDAD DE ROSARIO UTILIZANDO MODELO DE SEMIVARIOGRAMA
Decmoctavas Jornadas "Investgacones en la Facultad" de Cencas Económcas y Estadístca. Novembre de 013. Borra, Vrgna Laura Pagura, José Alberto Insttuto de Investgacones Teórcas y Aplcadas de la Escuela
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesMETODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2014 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 014 INSTITUTO NACIONAL DE ESTADÍSTICAS AÑO 016 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesCOLEGIO DE POSTGRADUADOS EFICIENCIA DE LOS MÉTODOS DE ASIGNACIÓN DE NEYMAN Y PROPORCIONAL EN EL MUESTREO ALEATORIO ESTRATIFICADO
COLEGIO DE POTGRADUADO INTITUCIÓN DE ENEÑANZA E INVETIGACIÓN EN CIENCIA AGRÍCOLA CAMPU MONTECILLO OCIOECONOMÍA, ETADÍTICA E INFORMÁTICA ETADÍTICA EFICIENCIA DE LO MÉTODO DE AIGNACIÓN DE NEYMAN Y PROPORCIONAL
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesResolución. Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL SEMESTRE 04
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesCASO 1: Variable CONTINUA con idéntica probabilidad de ocurrencia para los infinitos valores comprendidos entre dos extremos (inferior y superior)
DIFERENTES TIOS DE DISTRIBUCIÓN UTILIZACIÓN DE FUNCIONES DE EXCEL EN MODELOS DE SIMULACIÓN Utlzacón ndvdual y conjunta de funcones para la representacón del comportamento de varables bajo las alternatvas
Más detallesEDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño
EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesDISEÑO MUESTRAL TERCERA ENCUESTA DE CULTURA CONSTITUCIONAL 2017
DISEÑO MUESTRAL TERCERA ENCUESTA DE CULTURA CONSTITUCIONAL 207 267 INTRODUCCIÓN Con la fnaldad de replcar la Segunda Encuesta Naconal de Cultura Consttuconal, se dseñó una muestra a nvel naconal, que sgue
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesCÁLCULO DEL BALANCE Y PÉRDIDAS DE ENERGIA EN CHILECTRA
COMISIÓN DE INTEGRACIÓN ENERGÉTICA REGIONAL COMITÉ NACIONAL CHILENO V CIERTEC - SEMINARIO INTERNACIONAL SOBR E GESTIÓN DE PÉRDIDAS, EFICIENCIA ENERGÉTICA Y PROTECCIÓN DE LOS INGRESOS EN EL SECTOR ELÉCTRICO
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesDiseño de la Muestra. Introducción. Tipo de muestreo y estratificación
Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detalles5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.
5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
Más detallesUn ejemplo de Análisis Factorial de Correspondencias
Estadístca Anàls de Dades (curs 001-00) Un ejemplo de Análss Factoral de Correspondencas Se trata de estudar la estructura de las ventas de una empresa que dstrbuye 10 productos en 8 mercados. Para ello
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesPrueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A
Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesModelo de Variables Instrumentales
Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detalles