Afijación de

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 Sánchez1 Introducción

asanchez@ut.edu.co
Afijación
Leonardo Solanilla1 óptima para el
M.A.E.
leonsolc@ut.edu.co. univariado
Jairo Alfonso Clavijo1 Interpretación
gráfica
jaclavij@ut.edu.co Método de
iteración
Alex Zambrano2 “Knapsack”
Ejemplo
alexjzc@gmail.com
Afijación
óptima con
restricción de
presupuesto
1 Profesor asociado, Universidad del Tolima Afijación
2 Profesor catedrático, Universidad del Tolima 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
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

Se asocia con o sin reemplazo. Otra forma simple es asignar Afijación

óptima para el
probabilidades distintas con base en algún otro criterio en una M.A.E.
univariado
“medida de tamaño” (Probabilidad Proporcional al Tamaño o Interpretación
gráfica
P.P.T.). Método de
iteración
“Knapsack”
Dentro del diseño de muestreo se consideran diversas maneras Ejemplo
Afijación
de seleccionar unidades. En este trabajo se mostrará una óptima con
restricción de
presupuesto
manera diferente de calcular el tamaño de muestra dentro de
Afijación
un muestreo aleatorio estratificado, usando para ello un criterio óptima para el
M.A.E.
de optimización, lo que lo sitúa dentro del campo de la multivariado
Interpretación
programación matemática. gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
muestra en
M.A.E. vı́a
Problema programación
matemática
El problema desde el punto de vista de la programación Alfonso
matemática puede plantearse como: Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
mı́n Costo de Encuesta. Zambrano
s. a. La perdida de precisión quede dentro de ciertos lı́mites.
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

Tamaños de Muestra en M.A.E. 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
Sea U = {U1 , U2 , . . . , UL } una población particionada en matemática

subpoblaciones o estratos. Una caracterı́stica de la población se Alfonso

Sánchez,
infiere a partir de muestras de cada uno de los estratos. Leonardo
Solanilla, Jairo
Sea Ni el número de unidades del estrato i-ésimo y Clavijo & Alex
P L Zambrano
i=1 Ni = N donde L es el número de estratos, N es el
número de unidades en la población, mientras que ni el tamaño Introducción
de la muestra del i-ésimo estrato. Se asume que las muestras se Afijación
toman independientemente en cada estrato. óptima para el
M.A.E.
El problema de afijación óptima es determinar los ni , el univariado
Interpretación
objetivo es minimizar la varianza (ganar precisión) del gráfica
Método de
iteración
estimador de la caracterı́stica bajo estudio, la restricción es el “Knapsack”
Ejemplo
número de unidades muestrales tomadas con el presupuesto Afijación
óptima con
disponible. restricción de
presupuesto

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

El problema 1 se puede formular como: Alfonso

Sánchez,
Leonardo
L
X Solanilla, Jairo
Clavijo & Alex
mı́n V (y est ) = Wi2 Si2 xi (Función Objetivo) Zambrano
i=1
L Introducción
X
s. a. ni = n (Función Lineal) (R1) Afijación
óptima para el
i=1 M.A.E.
univariado
ni ∈ Z+ , 1 ≤ ni ≤ Ni , 1 ≤ i ≤ L (R2) Interpretación
gráfica
Método de
Ni 1
PNi
2 1 1 iteración
donde Wi = N , Si2 = Ni −1 h=1 yih − Y i y xi = ni − Ni .
“Knapsack”
Ejemplo
Afijación
La función objetivo no es lineal, si olvidamos (R2) podemos óptima con
restricción de
presupuesto
usar Multiplicadores de Lagrange.
Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
Sea muestra en
M.A.E. vı́a
programación
L
X L
X matemática
V (y i ) = Wi2 Si2 xi = ai xi Alfonso
i=1 i=1 Sánchez,
Leonardo
L L L Solanilla, Jairo
X ai X ai X ai
= − = + constante Clavijo & Alex
Zambrano
n
i=1 i i=1
Ni n
i=1 i
Introducción
donde ai = Wi2 Si2 . Reescribiendo el problema 2 tenemos: Afijación
óptima para el
L M.A.E.
X ai univariado
mı́n =Z (Función Objetivo) Interpretación
n
i=1 i
gráfica
Método de
iteración
L
X “Knapsack”
Ejemplo
s.a. ni = n (R1) Afijación
óptima con
i=1 restricción de
presupuesto
ni ∈ Z+ , 1 ≤ ni ≤ Ni , 1 ≤ i ≤ L (R2) Afijación
óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Minimizar la V (y est ) es equivalente a minimizar Alfonso
Sánchez,
L Leonardo
X ai Solanilla, Jairo
f (n1 , n2 , . . . , nL ) = Clavijo & Alex
n
i=1 i
Zambrano

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

I ni > Ni , entonces, aquı́ se tendrı́a que redistribuir, ya Introducción

que se presenta un sobremuestreo. Afijación

óptima para el
M.A.E.
I ni < 1, entonces, tendrı́amos que tomar como mı́nimo univariado
una unidad en el estrato correspondiente. 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

Alfonso
Sánchez,
Leonardo
Se puede presentar los siguientes problemas: Solanilla, Jairo
Clavijo & Alex
I / Z+ , entonces, se redondea.
n∈ Zambrano

I ni > Ni , entonces, aquı́ se tendrı́a que redistribuir, ya Introducción

que se presenta un sobremuestreo. Afijación

óptima para el
M.A.E.
I ni < 1, entonces, tendrı́amos que tomar como mı́nimo univariado
una unidad en el estrato correspondiente. 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

Alfonso
Sánchez,
Leonardo
Se puede presentar los siguientes problemas: Solanilla, Jairo
Clavijo & Alex
I / Z+ , entonces, se redondea.
n∈ Zambrano

I ni > Ni , entonces, aquı́ se tendrı́a que redistribuir, ya Introducción

que se presenta un sobremuestreo. Afijación

óptima para el
M.A.E.
I ni < 1, entonces, tendrı́amos que tomar como mı́nimo univariado
una unidad en el estrato correspondiente. 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
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

Figura: Región factible y función objetivo cuando N1 y N2 son Afijación

óptima para el
ambos más grandes que n. Fuente: (Arthanari & Dodge 1981) M.A.E.
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
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

67.0 45.9 28.8 27.0 14.7 11.3 10.0 Afijación

óptima con
restricción de
123.8 46.4 29.1 21.4 16.4 11.5 10.7 presupuesto

57.3 40.0 25.3 26.0 14.3 12.3 11.4 Afijación

óptima para el
63.4 36.6 29.1 20.9 16.9 15.4 11.1 M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Método de multiplicadores de lagrange Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática

Los ni se calculan como sigue para una restricción de 24 Alfonso

Sánchez,
muestras en total. Leonardo
Solanilla, Jairo
Clavijo & Alex
Zambrano

Si2
P
Estrato i Ni Yi Yi Wi ai ni Introducción

1 16 1007.0 62.94 538.43 0.25 33.65 17.05 Afijación

óptima para el
M.A.E.
2 20 554.3 27.71 14.24 0.31 1.39 3.47 univariado
Interpretación
gráfica
3 28 395.5 14.13 7.33 0.44 1.40 3.48 Método de
iteración
“Knapsack”
Total 64 Ejemplo
Afijación
óptima con
restricción de
presupuesto
Las soluciones redondeadas son 17, 3, 4. Hay un problema de
Afijación
sobre muestreo. óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
Aplicación del método knapsack Afijación de
tamaños de
muestra en
M.A.E. vı́a
Primero se calculan los f (1, r), para r = n1 factibles. Luego programación
matemática
calculamos f (2, r) y f (3, r) ası́
Alfonso
Sánchez,
Leonardo
Solanilla, Jairo
Cuadro: f (k, r) para k = 1, 2, 3 y r = 1, . . . , 24 Clavijo & Alex
Zambrano
r f (1, r) n1 f (2, r) n2 f (3, r) n3
1 33.65 1 Introducción
2 16.83 2 35.04 1
3 11.22 3 18.22 1 36.44 1
4 8.41 4 12.61 1 19.62 1 Afijación
5 6.73 5 9.80 1 14.01 1 óptima para el
6 5.61 6 8.12 1 11.21 1 M.A.E.
7 4.81 7 7.00 1 9.52 1 univariado
8 4.21 8 6.20 1 8.40 1
9 3.74 9 5.50 2 7.60 1 Interpretación
10 3.37 10 4.90 2 6.90 2 gráfica
11 3.06 11 4.43 2 6.20 2 Método de
12 2.80 12 4.06 2 5.60 2 iteración
13 2.59 13 3.75 2 5.14 2 “Knapsack”
14 2.40 14 3.50 2 4.76 2 Ejemplo
15 2.24 15 3.27 3 4.46 2 Afijación
16 2.10 16 3.05 3 4.20 2 óptima con
17 2.87 3 3.97 3 restricción de
18 2.71 3 3.74 3 presupuesto
19 2.57 3 3.52 3
20 2.45 4 3.33 3 Afijación
21 2.38 5 3.17 3
22 2.33 6 3.03 3 óptima para el
23 2.30 7 2.92 3 M.A.E.
24 2.28 8 2.80 4 multivariado
Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
Comparando la solución obtenida estimamos la varianza de matemática

algunos métodos Alfonso

Sánchez,
Leonardo
Solanilla, Jairo
Clavijo & Alex
Cuadro: Comparación de varianzas Zambrano

Asignación (n1 , n2 , n3 ) V (y est ) 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

El problema de asignación puede plantearse como: Alfonso

Sánchez,
Leonardo
L
X Solanilla, Jairo
mı́n C i ni (Función Objetivo Lineal) Clavijo & Alex
Zambrano
i=1
L
X Introducción

s. a. aij xi ≤ vj , 1 ≤ j ≤ p. (Restricción No Lineal) Afijación

óptima para el
i=1 M.A.E.
1 univariado
0 ≤ xi ≤ 1 − , 1 ≤ i ≤ L, Interpretación
Ni gráfica
Método de
iteración
1 ≤ n i ≤ Ni , n i ∈ Z “Knapsack”
Ejemplo
Afijación
donde aij = Wi2 Sij2
(aij , C > 0) y vj es el error permitido en óptima con
restricción de
presupuesto
la j-ésima caracterı́stica, además es lineal.
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

I La solución al problema de optimización ocurre en la Introducción

frontera de este convexo. 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
 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

I La solución al problema de optimización ocurre en la Introducción

frontera de este convexo. 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
 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

I La solución al problema de optimización ocurre en la Introducción

frontera de este convexo. 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
 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

I La solución al problema de optimización ocurre en la Introducción

frontera de este convexo. Afijación
óptima para el
Entre algunos métodos para solucionar el problema 5 tenemos: M.A.E.
univariado
 Interpretación
Simplex convexo 

gráfica
Método de
Dirección factible iteración

“Knapsack”
+ errror
Proyección del gradiente 

Ejemplo
Afijación
Linealización óptima con

restricción de
presupuesto

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

Fuente: (Arthanari & Dodge 1981) Afijación

óptima para el
M.A.E.
multivariado
Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática
Para saber cual es la dirección de acercamiento, para ello, se
Alfonso
tienen las siguientes observaciones sobre las hipérbolas. Sánchez,
Leonardo
Solanilla, Jairo
C1 C2 Clavijo & Alex
Z= + Zambrano
X1 X2
C1 X2 + C2 X1 Introducción
=
X1 X2 Afijación
óptima para el
C1 C2 C1 C2 M.A.E.
(X1 − )(X2 − )= (Hipérbola)
Z Z Z2 univariado
Interpretación
gráfica
Lo que nos muestra una hipérbola para cada Z. Es más esta Método de
iteración
centrada en ( CZ1 , CZ2 ) y es rectangular (no necesariamente “Knapsack”
Ejemplo
Afijación
equilátero). Al aumentar Z el centro se acerca al origen. 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

por el origen ya que ξξ21 = C

presupuesto
2 +√C1 C2
C1 + C1 C2
= cte. La pendiente Afijación
óptima para el
de esta recta es diferente a la anterior por tanto va en M.A.E.
multivariado
otra dirección. Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
Para obtener la asignación óptima debemos encontrar la tamaños de
muestra en
hipérbola regular para algún valor Z, tal que, toque el limite de M.A.E. vı́a
programación
la región factible. Mirar figura
PL 2. En general cuando tenemos matemática
L-estratos y la restricción i=1 aij Xi = bj , para 1 ≤ j ≤ p, Alfonso
tenemos lo siguiente, Sánchez,
Leonardo
Solanilla, Jairo
Teorema Clavijo & Alex
Zambrano
El punto de contacto del hiperplano
Introducción
L
Afijación
X
ai Xi = b (ai , b > 0), óptima para el
M.A.E.
i=1 univariado
Interpretación
PL Ci gráfica
con la función objetivo Z = i=1 X i
, para cada Z fijo, es Método de
iteración
X = (X1 , . . . , XL ) ∈ RL , donde “Knapsack”
Ejemplo

√ 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

∇f − λ∇g = 0 para g = 0 y tomando la i-ésima componente

Introducción
tenemos,
Afijación
Ci óptima para el
− 2 + λai = 0 1 ≤ i ≤ L, M.A.E.
Xi univariado
√ Interpretación
despejando Xi y despejando de la restricción λ (con λ gráfica
Método de
negativo), tenemos, iteración
“Knapsack”
Ejemplo
√ √ Afijación
Ci b Ci ai óptima con
Xi = L = . restricción de
presupuesto
P√ √ PL p
Ci ai ai ai Cj aj Afijación
i=1 j=1 óptima para el
M.A.E.
b multivariado
Interpretación
gráfica
Algoritmo
Mejorado
 Afijación de
tamaños de
muestra en
M.A.E. vı́a
programación
matemática

Lo primero que se intenta: Alfonso

Sánchez,
Leonardo
I Encontrar los puntos de contacto de Z con los Solanilla, Jairo
Clavijo & Alex
p-hiperplanos. Zambrano

I Escoger el punto de contacto que arroja el valor mı́nimo Z. Introducción

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

Lo primero que se intenta: Alfonso

Sánchez,
Leonardo
I Encontrar los puntos de contacto de Z con los Solanilla, Jairo
Clavijo & Alex
p-hiperplanos. Zambrano

I Escoger el punto de contacto que arroja el valor mı́nimo Z. Introducción

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

Lo primero que se intenta: Alfonso

Sánchez,
Leonardo
I Encontrar los puntos de contacto de Z con los Solanilla, Jairo
Clavijo & Alex
p-hiperplanos. Zambrano

I Escoger el punto de contacto que arroja el valor mı́nimo Z. Introducción

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

Lo primero que se intenta: Alfonso

Sánchez,
Leonardo
I Encontrar los puntos de contacto de Z con los Solanilla, Jairo
Clavijo & Alex
p-hiperplanos. Zambrano

I Escoger el punto de contacto que arroja el valor mı́nimo Z. Introducción

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

Lo primero que se intenta: Alfonso

Sánchez,
Leonardo
I Encontrar los puntos de contacto de Z con los Solanilla, Jairo
Clavijo & Alex
p-hiperplanos. Zambrano

I Escoger el punto de contacto que arroja el valor mı́nimo Z. Introducción

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

una tabla Alfonso

Sánchez,
Leonardo
L Solanilla, Jairo
P 1 Clavijo & Alex
j Xj = (X1j , X2j , . . . , XLj ): Contacto Total nj = Xji Zambrano
i=1
1 X1 = (X11 , X21 , . . . , XL1 ) Total n1 Introducción

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

una tabla Alfonso

Sánchez,
Leonardo
L Solanilla, Jairo
P 1 Clavijo & Alex
j Xj = (X1j , X2j , . . . , XLj ): Contacto Total nj = Xji Zambrano
i=1
1 X1 = (X11 , X21 , . . . , XL1 ) Total n1 Introducción

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

Paso 2: Se llama j ∗ , al ı́ndice que produce el total nj Alfonso

Sánchez,
Leonardo
mayor. Si Xj ∗ es factible, entonces redondear y esa es la Solanilla, Jairo
Clavijo & Alex
solución. Zambrano

Si Xj ∗ tiene una componente que no es factible entonces

Introducción
fijar. Afijación
 óptima para el
M.A.E.
1 univariado
Xj ∗ i = ó 1 i: tenga el problema
Ni Interpretación
gráfica
Método de
iteración
se elimina el estrato y se repite los pasos con las restantes. “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
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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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

Collatz, L. & Wetterling W. (1975), Optimization Introducción

Problems, Springer – Verlag, New York. Afijación
óptima para el
M.A.E.
Hartly, H. O. & Rao, J. N. K. (1968), ‘A New univariado
Estimation Theory for Sample Surveys’, Biometrika Interpretación
gráfica

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