Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Afijacion
Afijacion
tamaños de
muestra en
Afijación óptima de tamaños de muestra M.A.E. vı́a
programación
matemática
en muestreo aleatorio estratificado Alfonso
Sánchez,
vı́a programación matemática Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Tal como lo señala Arthanari & Dodge (1981, pp.216) en tamaños de
muestra en
macroeconomı́a y microeconomı́a se necesita establecer M.A.E. vı́a
programación
información a través de encuestas, enumeración de individuos, matemática
. . . , etc. Alfonso
Sánchez,
La teorı́a del muestreo ayuda a la selección de muestras de una Leonardo
Solanilla, Jairo
población según ciertos mecanismos probabilı́sticos. Lo más Clavijo & Alex
Zambrano
simple es asignar igual probabilidad a cada unidad de la
población en la muestra (Muestreo Aleatorio Simple o M.A.S.). Introducción
Afijación
óptima para el
M.A.E.
Una formulación equivalente del problema 1 es la siguiente: univariado
Interpretación
gráfica
mı́n La perdida de precisión. Método de
iteración
“Knapsack”
s. a. El costo se acomode a un presupuesto. Ejemplo
Afijación
óptima con
restricción de
El anterior es un problema concreto de Afijación Óptima de presupuesto
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Sea U = {U1 , U2 , . . . , UL } una población particionada en matemática
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Sea y est el estimador insesgado de la media poblacional Y , de M.A.E. vı́a
la caracterı́stica en estudio, dado por programación
matemática
L Alfonso
1 X Sánchez,
y est = Ni y i , Leonardo
N i=1 Solanilla, Jairo
Clavijo & Alex
Zambrano
donde y i el estimador insesgado de la media Y i (en el estrato
i-ésimo), esto es, Introducción
L Afijación
1 X óptima para el
yi = yih , M.A.E.
ni univariado
h=1
Interpretación
PL gráfica
1 2
Sea V (y est ) = N2 i=1 Ni V (y i ) la varianza del estimador Método de
iteración
“Knapsack”
anterior donde Ejemplo
Afijación
óptima con
Ni restricción de
1 X 2 1 1 presupuesto
V (y i ) = yih − Y i −
Ni − 1 ni Ni Afijación
h=1 óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Problema matemática
PL Introducción
con restricción g(n1 , n2 , . . . , nL ) = ( i=1 ni − n) = 0. Afijación
Por condición de lagrange óptima para el
M.A.E.
univariado
a1 a2 aL
∇f − λ∇g = − 2 , − 2 , . . . , − 2 − λ1 = 0,
Interpretación
gráfica
n1 n2 nL Método de
iteración
“Knapsack”
Ejemplo
bajo la restricción g(n1 , n2 , . . . , nL ) = 0 Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Tenemos: M.A.E. vı́a
programación
−a1
matemática
− λ = 0
n21
Alfonso
Sánchez,
−a2
Leonardo
− λ = 0
Solanilla, Jairo
n22
Clavijo & Alex
Zambrano
..
.
Introducción
−aL
− λ = 0 Afijación
nL2 óptima para el
M.A.E.
univariado
n1 + n2 + . . . + nL = n Interpretación
gráfica
Método de
Considerando λ negativo y solucionando las ecuaciones iteración
“Knapsack”
tenemos: √ √ Ejemplo
Afijación
ai n ai óptima con
ni = √ = L restricción de
λ P√ presupuesto
ak Afijación
k=1 óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
Leonardo
Se puede presentar los siguientes problemas: Solanilla, Jairo
Clavijo & Alex
I / Z+ , entonces, se redondea.
n∈ Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
Leonardo
Se puede presentar los siguientes problemas: Solanilla, Jairo
Clavijo & Alex
I / Z+ , entonces, se redondea.
n∈ Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
Leonardo
Se puede presentar los siguientes problemas: Solanilla, Jairo
Clavijo & Alex
I / Z+ , entonces, se redondea.
n∈ Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Es útil suponer que los ai > 0, 1 ≤ i ≤ L (es razonable). De Afijación de
tamaños de
este modo, la función objetivo Z es estrictamente convexa. muestra en
M.A.E. vı́a
Tomemos por facilidad L = 2 estratos. programación
matemática
Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
Introducción
Afijación
óptima para el
M.A.E.
univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Es útil suponer que los ai > 0, 1 ≤ i ≤ L (es razonable). De Afijación de
este modo, la función objetivo Z es estrictamente convexa. tamaños de
muestra en
Tomemos por facilidad L = 2 estratos. M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
a1 a2
mı́n + =Z
n1 n2 Introducción
s.a. n1 + n2 = n Afijación
óptima para el
+
ni ∈ Z , 1 ≤ ni ≤ Ni , i = 1, 2 M.A.E.
univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Es útil suponer que los ai > 0, 1 ≤ i ≤ L (es razonable). De Afijación de
este modo, la función objetivo Z es estrictamente convexa. tamaños de
muestra en
Tomemos por facilidad L = 2 estratos. M.A.E. vı́a
programación
matemática
n2 Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
N2 Zambrano
Introducción
a1 a2
n1
+ n2
=Z
n Afijación
óptima para el
n1 M.A.E.
+ univariado
n2
= Interpretación
b n gráfica
Método de
iteración
1 “Knapsack”
Ejemplo
Afijación
1 n N1 n1 óptima con
restricción de
presupuesto
Alfonso
n2 Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
N2
n Introducción
Afijación
n1 óptima para el
+ M.A.E.
n2
= univariado
n
a1 a2 Interpretación
n1
+ n2
=Z gráfica
Método de
iteración
“Knapsack”
1 Ejemplo
Afijación
óptima con
1 N1 n∗1 n n1 restricción de
presupuesto
Afijación
Figura: Región factible y función objetivo cuando únicamente óptima para el
M.A.E.
N2 es más grande que n. Fuente: (Arthanari & Dodge 1981) multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
El método knapsack (que podrı́amos traducir como método del M.A.E. vı́a
programación
morral) es un método iterativo de programación matemática matemática
entera, el cual puede ser usado para resolver una función Alfonso
objetivo no lineal con restricciones lineales como se presenta en Sánchez,
Leonardo
el problema 2. Solanilla, Jairo
Clavijo & Alex
Encontrar sucesivamente f (k, r), k maneja el estrato, es decir, Zambrano
1 ≤ k ≤ L. r maneja el tamaño de la muestra en el estrato,
0 ≤ r ≤ Ni , r ∈ Z+ ∪ {0}. Introducción
Afijación
Paso 1: óptima para el
n o M.A.E.
univariado
(
a1
mı́n n1 Interpretación
f (1, r) = gráfica
s.a n1 = r, 1 ≤ n1 ≤ N1 , n1 ∈ Z+ Método de
iteración
“Knapsack”
Ejemplo
Solución: ( Afijación
óptima con
a1
r 1 ≤ r ≤ N1 restricción de
presupuesto
f (1, r) =
∞ r < 1 ó r > N1 Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Paso 2: M.A.E. vı́a
programación
matemática
( n o
a1 a2
mı́n n1 + n2
f (2, r) = Alfonso
s.a n1 + n2 = r, 1 ≤ ni ≤ Ni , i = 1, 2, ni ∈ Z+ Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Si fijamos n2 , la función anterior se reduce a: Zambrano
( n o
a1 Introducción
a2 mı́n n1
+ Afijación
n2 s.a n1 = r − n2 , 1 ≤ n1 ≤ N1 , n1 ∈ Z+ óptima para el
M.A.E.
a2 univariado
+ f (1, r − n2 ) Interpretación
n2 gráfica
Método de
iteración
Pero como n2 no es fijo “Knapsack”
Ejemplo
Afijación
óptima con
a2 restricción de
f (2, r) = mı́n + f (1, r − n2 ) presupuesto
n2 =1,...,n n2 Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Paso 3: M.A.E. vı́a
programación
matemática
( n o
a1 a2 a3
mı́n n1 + n2 + n3
f (3, r) = Alfonso
s.a n1 + n2 + n3 = r, 1 ≤ ni ≤ Ni , i = 1, 2, 3, ni ∈ Z+ Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Si fijamos n3 , la función anterior se reduce a: Zambrano
( n o
a1 a2 Introducción
a3 mı́n n1 + n2
+ Afijación
n3 Z+ para el
s.a n1 + n2 = r − n3 , 1 ≤ n1 ≤ N1 , 1 ≤ n2 ≤ N2 , n1 , n2 ∈óptima
M.A.E.
a3 univariado
+ f (2, r − n3 ) Interpretación
n3 gráfica
Método de
iteración
Pero como n3 no es fijo “Knapsack”
Ejemplo
Afijación
óptima con
a3 restricción de
f (3, r) = mı́n + f (2, r − n3 ) presupuesto
n3 =1,...,n n3 Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
etc. Si conocemos f (k, r) entonces: Sánchez,
Leonardo
Solanilla, Jairo
ak+1 Clavijo & Alex
f (k + 1, r) = mı́n + f (k, r − nk+1 ) Zambrano
nk+1 =1,...,n nk+1
Introducción
Paso final (L-ésima): Ubicamos el valor mı́nimo de f (L, r), el Afijación
óptima para el
cual nos da nL . Del anterior (L-1)-ésimo el valor M.A.E.
univariado
f (L − 1, n − nL ) nos da el nL−1 . El (L-2)-ésimo de Interpretación
f (L − 2, n − nL − nL−1 ) nos da nL−2 . Etc; ası́ hasta que gráfica
Método de
iteración
finalmente encontramos el óptimo para n1 . “Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
La siguiente tabla tomada de Cochran (1977), muestra el tamaños de
muestra en
número de habitantes (miles) de 64 grandes ciudades en los M.A.E. vı́a
programación
E.U. en el año 1930. Las ciudades están agrupadas en tres matemática
estratos. Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Cuadro: Números de habitantes (en miles), para el año 1930, en Clavijo & Alex
Zambrano
64 grandes ciudades de los E.U (por estrato)
Introducción
Afijación
1 2 3 óptima para el
M.A.E.
90.0 57.8 36.4 30.8 25.3 19.5 13.9 14.0 16.3 univariado
82.2 48.7 31.7 27.2 23.2 18.3 17.0 11.9 11.6 Interpretación
gráfica
78.1 44.2 32.8 28.4 26.0 16.3 15.0 13.0 12.2 Método de
iteración
“Knapsack”
80.5 45.1 30.2 25.5 29.2 20.1 14.3 12.7 13.4 Ejemplo
Si2
P
Estrato i Ni Yi Yi Wi ai ni Introducción
Afijación
Método knapsack (16,4,4) 0.5841 óptima para el
M.A.E.
univariado
Asignación mediante lagrange (17,3,4) 0.5627 Interpretación
gráfica
(M.A.S.) (8,8,8) 2.3410 Método de
iteración
“Knapsack”
Ejemplo
Proporcional (6,8,10) 3.7127 Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Supongamos que el costo de muestreo por unidad es diferente Alfonso
en los distintos estratos. Sea ci el costo de una muestra en el Sánchez,
Leonardo
i-ésimo estrato. Sea C el presupuesto total disponible. Solanilla, Jairo
Clavijo & Alex
Zambrano
L
X ai
mı́n Z = Introducción
n
i=1 i
Afijación
L óptima para el
M.A.E.
X
s. a. ci ni = C univariado
i=1 Interpretación
gráfica
+
ni ∈ Z , 1 ≤ ni ≤ Ni , 1 ≤ i ≤ L. Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Problema Alfonso
Similarmente se puede plantear minimizando el costo Sánchez,
Leonardo
manteniendo la pérdida de precisión dentro de “ciertos” Solanilla, Jairo
Clavijo & Alex
lı́mites, es decir: Zambrano
L
X Introducción
mı́n Z= ci n i = C Afijación
i=1 óptima para el
M.A.E.
L univariado
X ai
s. a. ≤v Interpretación
gráfica
n
i=1 i
Método de
iteración
“Knapsack”
ni ∈ Z+ , 1 ≤ ni ≤ Ni , 1 ≤ i ≤ L. Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Suponemos p caracterı́sticas en estudio. Sea Yj la j-ésima tamaños de
muestra en
caracterı́stica estudiada, donde 1 ≤ j ≤ p, L números de M.A.E. vı́a
estratos, NP i números de unidades en el i-ésimo estrato, donde
programación
matemática
L
1 ≤ i ≤ L, i=1 Ni = N número total de unidades, ni número
Alfonso
de unidades elegidas en el i-ésimo estrato, 1 ≤ i ≤ L. Sánchez,
Leonardo
Los datos tienen la siguiente forma yijh , donde i es el estrato, j Solanilla, Jairo
Clavijo & Alex
es la observación de la caracterı́stica Yj , h es la unidad. Este Zambrano
dato se lee h-ésima unidad en la j-ésima caracterı́stica en el
i-ésimo estrato. Introducción
Afijación
Sea y ij el estimador insesgado de Y ij , tal que, óptima para el
M.A.E.
ni univariado
1 X Interpretación
y ij = yijh gráfica
ni Método de
h=1 iteración
“Knapsack”
Ejemplo
Afijación
Ası́ el estimador insesgado de Y j es: óptima con
restricción de
presupuesto
L Afijación
1 X óptima para el
y i (est) = Ni y ij , 1≤j≤p M.A.E.
N i=1 multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Tal como antes se puede calcular la varianza para cada matemática
caracterı́stica: Alfonso
Sánchez,
Leonardo
L
X Solanilla, Jairo
Vj = V (y ij (est)) = Wi2 Sij
2
xi , Clavijo & Alex
Zambrano
i=1
PNi Introducción
con Wi = N 2 1
N ; Sij = Ni −1
i 2 1 1
h=1 (yijh − Y ij ) , xi = ni − Ni . Afijación
óptima para el
Sea Ci > 0 el costo del muestreo de las p caracterı́sticas en el M.A.E.
i-ésimo estrato, 1 ≤ i ≤ L, donde el costo total serı́a: univariado
Interpretación
gráfica
L Método de
X iteración
“Knapsack”
Z= Ci ni Ejemplo
i=1 Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Problema matemática
1 Alfonso
Introduciendo una nueva variable Xi = ni , podemos reescribir Sánchez,
el problema anterior como: Leonardo
Solanilla, Jairo
Clavijo & Alex
L Zambrano
X Ci
mı́n (Función Objetivo No Lineal)
i=1
Xi Introducción
Afijación
L
X óptima para el
s. a. aij Xi ≤ bj , 1≤j≤p (Restricción Lineal) M.A.E.
univariado
i=1 Interpretación
gráfica
1 Método de
≤ Xi ≤ 1, 1≤i≤L iteración
Ni “Knapsack”
Ejemplo
Afijación
PL óptima con
bj = vj + i=1 aij N1i , con ni ∈ Z. restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Observaciones al problema 5. tamaños de
muestra en
Ci M.A.E. vı́a
I Z es una función estrictamente convexa por que Xi es programación
estrictamente convexo para Ci > 0 y 1 ≤ i ≤ L. matemática
Alfonso
I Las restricciones del problema 5 proporcionan una región Sánchez,
Leonardo
factible convexa acotada, formada por inecuaciones Solanilla, Jairo
Clavijo & Alex
lineales. Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Observaciones al problema 5. tamaños de
muestra en
Ci M.A.E. vı́a
I Z es una función estrictamente convexa por que Xi es programación
estrictamente convexo para Ci > 0 y 1 ≤ i ≤ L. matemática
Alfonso
I Las restricciones del problema 5 proporcionan una región Sánchez,
Leonardo
factible convexa acotada, formada por inecuaciones Solanilla, Jairo
Clavijo & Alex
lineales. Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Observaciones al problema 5. tamaños de
muestra en
Ci M.A.E. vı́a
I Z es una función estrictamente convexa por que Xi es programación
estrictamente convexo para Ci > 0 y 1 ≤ i ≤ L. matemática
Alfonso
I Las restricciones del problema 5 proporcionan una región Sánchez,
Leonardo
factible convexa acotada, formada por inecuaciones Solanilla, Jairo
Clavijo & Alex
lineales. Zambrano
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Observaciones al problema 5. tamaños de
muestra en
Ci M.A.E. vı́a
I Z es una función estrictamente convexa por que Xi es programación
estrictamente convexo para Ci > 0 y 1 ≤ i ≤ L. matemática
Alfonso
I Las restricciones del problema 5 proporcionan una región Sánchez,
Leonardo
factible convexa acotada, formada por inecuaciones Solanilla, Jairo
Clavijo & Alex
lineales. Zambrano
Afijación
Estos métodos se utilizan con redondeo, y sin redondear se óptima para el
M.A.E.
utiliza branch bound, el cual es la generalización del algoritmo multivariado
knapsack para una sola caracterı́stica. Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Consideremos a L =# Estratos= 2 matemática
Alfonso
Problema Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
C1 C2
mı́n Z(X1 , X2 ) = + (Función Convexa)
X1 X2 Introducción
Afijación
s. a. a11 X1 + a12 X2 ≤ b1 (1) óptima para el
M.A.E.
a21 X1 + a22 X2 ≤ b2 (2) univariado
Interpretación
1 gráfica
≤ Xi ≤ 1 i = 1, 2 Método de
iteración
Ni “Knapsack”
Ejemplo
Afijación
1 1 óptima con
Con X1 , X2 ∈ Z para X1 , X2 > 0 restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
X2
a 21
programación
X1
matemática
+a
1 Alfonso
22
X
Sánchez,
2
≤
Leonardo
b2
Solanilla, Jairo
C1 C2 Clavijo & Alex
X1
+ X2
Zambrano
Introducción
a1 Afijación
1X óptima para el
1 + M.A.E.
a1
2X
univariado
1 2 ≤
b1 Interpretación
1
N2
gráfica
Método de
1 1 X1 iteración
N1
“Knapsack”
Ejemplo
Figura: Función objetivo y región factible. Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
¿Cómo se mueve el centro de la hipérbola cuando muestra en
M.A.E. vı́a
variamos Z 6= 0? Si utilizamos el siguiente lema tenemos programación
matemática
una forma de acercarnos.
Alfonso
Sánchez,
Lema (De la Geometrı́a Analı́tica) Leonardo
Solanilla, Jairo
Clavijo & Alex
La rama positiva de la hipérbola Zambrano
X1 − CZ1 X2 − CZ2 = CZ1 C2 2 para Z ∈ R fijo, tiene
Introducción
vértice
Afijación
√ √ óptima para el
C1 + C1 C2 C2 + C1 C2 M.A.E.
, univariado
| Z
{z } | Z
{z }
Interpretación
gráfica
Método de
ξ1 ξ2 iteración
“Knapsack”
Ejemplo
Afijación
Cuando Z varı́a el vértice varı́a
√ sobre una recta que pasa
óptima con
restricción de
√ Afijación
óptima con
b Ci ai restricción de
Xi = L p
presupuesto
P Afijación
ai Cj aj óptima para el
j=1 M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
Demostración. tamaños de
muestra en
M.A.E. vı́a
Sea programación
matemática
L L
X Ci X Alfonso
f (X1 , . . . , XL ) = , g(X1 , . . . , Xl ) = ai Xi − b = 0 Sánchez,
i=1
Xi i=1
Leonardo
Solanilla, Jairo
Clavijo & Alex
Mediante el método de Lagrange tenemos la condición Zambrano
Afijación
I Verificar que Xj que minimiza Z es factible. óptima para el
M.A.E.
1
I ni = Xi , redondear si es necesario. univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Afijación
I Verificar que Xj que minimiza Z es factible. óptima para el
M.A.E.
1
I ni = Xi , redondear si es necesario. univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Afijación
I Verificar que Xj que minimiza Z es factible. óptima para el
M.A.E.
1
I ni = Xi , redondear si es necesario. univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Afijación
I Verificar que Xj que minimiza Z es factible. óptima para el
M.A.E.
1
I ni = Xi , redondear si es necesario. univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Afijación
I Verificar que Xj que minimiza Z es factible. óptima para el
M.A.E.
1
I ni = Xi , redondear si es necesario. univariado
Interpretación
gráfica
Este método no es factible cuando hay muchas caracterı́sticas y Método de
iteración
“Knapsack”
muchos estratos (lo cual en la realidad muy pocas veces ocurre). Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Paso 0: Eliminar los hiperplanos que introducen Afijación de
tamaños de
restricciones redundantes. Se miran los interceptos muestra en
bj
( ab1j1 , . . . , aLj ) M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano
Introducción
Afijación
óptima para el
M.A.E.
univariado
Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Paso 0: Eliminar los hiperplanos que introducen Afijación de
tamaños de
restricciones redundantes. Se miran los interceptos muestra en
bj
( ab1j1 , . . . , aLj ) M.A.E. vı́a
programación
matemática
X2 Alfonso
Sánchez,
b3 Leonardo
a23
Solanilla, Jairo
b2 Clavijo & Alex
a22 Zambrano
Introducción
Afijación
óptima para el
M.A.E.
H2 H3 univariado
b1
a21 Interpretación
gráfica
Método de
iteración
“Knapsack”
Ejemplo
Afijación
H1 óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
b2 b1 b3 X1 gráfica
a12 a11 a13 Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Paso 1: Sean q condiciones no redundantes. Se construye matemática
Afijación
2 X2 = (X12 , X22 , . . . , XL2 ) Total n2 óptima para el
M.A.E.
univariado
3 X3 = (X13 , X23 , . . . , XL3 ) Total n3 Interpretación
gráfica
.. .. .. Método de
. . . iteración
“Knapsack”
Ejemplo
q Xq = (X1q , X2q , . . . , XLq ) Total nq Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Paso 1: Sean q condiciones no redundantes. Se construye matemática
Afijación
2 X2 = (X12 , X22 , . . . , XL2 ) Total n2 óptima para el
M.A.E.
univariado
3 X3 = (X13 , X23 , . . . , XL3 ) Total n3 Interpretación
gráfica
.. .. .. Método de
. . . iteración
“Knapsack”
Ejemplo
q Xq = (X1q , X2q , . . . , XLq ) Total nq Afijación
óptima con
restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Conclusiones Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
1. La solución proporcionada a la estimación de Leonardo
Solanilla, Jairo
muestras en M.A.E., por medio de programación Clavijo & Alex
Zambrano
matemática concuerda con la solución dada por
Cochran. Introducción
Afijación
2. El método propuesto tiene limitaciones cuando se óptima para el
M.A.E.
presentan problemas de sobremuestreo, no obstante el univariado
Interpretación
algoritmo knapsack elimina este tipo de situaciones. gráfica
Método de
3. La técnica de programación matemática no estima el iteración
“Knapsack”
Ejemplo
tamaño muestral sino que afija el tamaño de la Afijación
óptima con
muestra dentro de cada estrato, a través del costo. restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Conclusiones Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
1. La solución proporcionada a la estimación de Leonardo
Solanilla, Jairo
muestras en M.A.E., por medio de programación Clavijo & Alex
Zambrano
matemática concuerda con la solución dada por
Cochran. Introducción
Afijación
2. El método propuesto tiene limitaciones cuando se óptima para el
M.A.E.
presentan problemas de sobremuestreo, no obstante el univariado
Interpretación
algoritmo knapsack elimina este tipo de situaciones. gráfica
Método de
3. La técnica de programación matemática no estima el iteración
“Knapsack”
Ejemplo
tamaño muestral sino que afija el tamaño de la Afijación
óptima con
muestra dentro de cada estrato, a través del costo. restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Conclusiones Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Alfonso
Sánchez,
1. La solución proporcionada a la estimación de Leonardo
Solanilla, Jairo
muestras en M.A.E., por medio de programación Clavijo & Alex
Zambrano
matemática concuerda con la solución dada por
Cochran. Introducción
Afijación
2. El método propuesto tiene limitaciones cuando se óptima para el
M.A.E.
presentan problemas de sobremuestreo, no obstante el univariado
Interpretación
algoritmo knapsack elimina este tipo de situaciones. gráfica
Método de
3. La técnica de programación matemática no estima el iteración
“Knapsack”
Ejemplo
tamaño muestral sino que afija el tamaño de la Afijación
óptima con
muestra dentro de cada estrato, a través del costo. restricción de
presupuesto
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Contenido Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Introducción matemática
Alfonso
Sánchez,
Afijación óptima para el M.A.E. univariado Leonardo
Solanilla, Jairo
Interpretación gráfica Clavijo & Alex
Zambrano
Método de iteración “Knapsack”
Introducción
Ejemplo
Afijación
Afijación óptima con restricción de presupuesto óptima para el
M.A.E.
univariado
Afijación óptima para el M.A.E. multivariado Interpretación
gráfica
Método de
Interpretación gráfica iteración
“Knapsack”
Ejemplo
Algoritmo Mejorado Afijación
óptima con
restricción de
presupuesto
Conclusiones Afijación
óptima para el
M.A.E.
Referencias multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Afijación de
tamaños de
muestra en
Arthanari, T. S. & Dodge, Yadolah. (1981), M.A.E. vı́a
programación
Mathematical Programming in Statistics, John Wiley matemática
& Sons, Inc., Canada. Alfonso
Sánchez,
Leonardo
Cochran, W. G. (1977), Sampling Techniques, 3 edn, Solanilla, Jairo
Clavijo & Alex
Wiley, New York. Zambrano
55(547). Método de
iteración
“Knapsack”
Ejemplo
Rustagi, Jagdish S. (1994), Optimization Techniques Afijación
óptima con
in Statistics, Academic Press, Inc., New York. restricción de
presupuesto
Afijación
Wolfe P. (1959), ‘The Simple Method for Quadratic óptima para el
M.A.E.
Programming’, Econometrica. multivariado
Interpretación
gráfica
Algoritmo
Mejorado