Conceptos bsicos de muestreo

Estadstica: Recoger, analizar e interpretar datos a fin de obtener el mximo de informacin til Propsito: Definir y reducir el nivel de incertidumbre, a fin de apoyar la toma de mejores decisiones Datos: Muestra de observaciones correspondientes a una poblacin de inters, respecto a uno o ms atributos de cada uno de sus miembros Interesa cmo utilizar los datos para hacer inferencias correctas respecto a parmetros poblacionales

Conceptos bsicos de muestreo

Diseo muestral: Asegurar que los datos recolectados provean la mayor cantidad de informacin posible al menor costo posible Problemas: Cmo asegurar una muestra representativa? Problema serio Cmo extraer conclusiones vlidas, an si la muestra satisface la condicin anterior? Para esto hay procedimiento bien establecido En general, problema se debe a variabilidad en la poblacin: si no hay variabilidad, no hay problema! Muestra: Qu, unidades conforman la muestra? Qu poblacin busca representar? Qu tamao debe tener? Cmo se selecciona? Poblacin de inters: marco muestral
( leer seccin 2.4.1)

hogar individuos

Conceptos bsicos de muestreo

Tipos de muestreo: Aleatorio simple Estratificado Basado en la eleccin Ejemplos: Interesa rea con poblacin distribuida as:
Posesin auto Con auto Tamao hogar 4 o menos + de 4 4 o menos + de 4 Total: (%) 9 16 25 50 100

Sin auto

Conceptos bsicos de muestreo

Para garantizar 95% de confianza entrevistar N personas / estrato Para garantizar N observaciones en cada celda en muestra aleatoria, habra que encuestar a 100 * N / 9 = 11,1 N personas ( celda 1 crtica ) Alternativamente, muestra estratificada identifica N individuos en cada celda y los entrevista
Muestra = 4 N < 11,1 N

Pero, se requiere una muestra aleatoria de 11,1 N para identificarlos Por lo tanto, se deben estudiar los costos de cada sistema

Conceptos bsicos de muestreo

Muestreo basado en la eleccin Encuestas O D en caminos Encuestas en buses o ferrocarril, estacionamientos Encuestas en lugar de trabajo Conceptualizacin del problema de muestreo Objetivo de la muestra: calibrar modelo de eleccin Variables: i = eleccin observada del individuo Z = vector de atributos individuales Sean P caractersticas poblacionales y f de la muestra P ( i, Z / ) = distribucin conjunta de i, Z dado que se trata de proceso de eleccin con modelo representado por el parmetro P ( i / Z , ) = probabilidad de escoger la opcin i entre un conjunto de opciones con atributos Z

Conceptos bsicos de muestreo

a) Muestreo aleatorio simple: f ( i, Z / ) = P ( i, Z / ) b) Muestreo estratificado: f ( Z ) = probabilidad de muestrear una observacin con caractersticas Z f ( i, Z / ) = f ( Z ) * P ( i / Z, )

Notar: en muestra aleatoria f ( Z ) = P ( Z ), luego: f ( i, Z / ) = P ( Z ) * P ( i / Z , ) = P ( i, Z / ) c) Muestra basada en la eleccin: ver seccin 2.5

Conceptos bsicos de muestreo

Interesa ingreso y modo de trasporte de la poblacin I Bajo Usuario Bus Usuario Auto Total 0,45 0,20 0,65 I Alto 0,15 0,20 0,35 Total 0,60 0,40 1,00

a)

Muestra aleatoria
Cul es la distribucin ?

b) Muestra estratificada : ( 75% IB, 25% IA)

P( B / IB) =

0,45 P ( IB y B) = = 0,692 P( IB y B) + P( IB y A) 0,65

Conceptos bsicos de muestreo

Y como hay 75% con IB P( IB y B ) = 0,75*0,692= 0,519 IB B A Total 0,519 0,231 0,750 IA 0,107 0,143 O,250 Total 0,626 0,374 1,000

Lgico

c) Muestra basada en eleccin ( 75% B, 25% A)

IB B A Total 0,563 0,125 0,688 IA 0,187 0,125 0,312 Total 0,750 0,250 1,000

Lgico

Conceptos bsicos de muestreo

As como es obvio, cada mtodo produce una distribucin distinta en la muestra pero calculemos en los tres casos la probabilidad de escoger, por ejemplo Auto a un cierto nivel de ingreso ( p.ej. I Alto): Aleatoria:

0,20 = 0,572 0,15 + 0,20

Estratificada:

0,143 = 0,572 0,107+ 0,143

0,125 = 0,400 0,187 + 0,125

Basada eleccin:

Conceptos bsicos de muestreo

Importancia fundamental cuando se desea estimar modelos de eleccin modal
Datos de muestra estratificada pueden usar software estndar y no hay sesgo Datos de muestra basada en eleccin, requieren correccin previa:

(1)

Pr(escoger i en muestra aleatoria ) Ki = Pr(escoger i en muestra basada elec.)

(*) Es necesario tener datos sobre eleccin de cada modo

(1) Lerman, S.R.,Manski, C.F. y Atherton, T.J. (1979) Non Random Sampling in the Calibration of Disaggregate Choice Models. Final Report to the Federal Highway Adminsitration, US Department of Transportation, Washington, D.C.

Conceptos bsicos de muestreo

Consideraciones prcticas i) (ver Lerman y Manski, 1979 pgs 36)

El problema de la implementacin Muestra estratificada (o basada en eleccin); para muestrear aleatoriamente cada sub-poblacin es necesario aislarla An si se asla, cmo asegurar aleatoriedad en el subgrupo?

ii) Determinacin del tamao de cada sub-poblacin Medicin directa Estimacin a partir de muestra aleatoria Resolucin de sistema de ecuaciones simultneas

Conceptos bsicos de muestreo

Ejemplo: Estratificacin de acuerdo al medio (ej: auto, bus, metro). Se conocen I y TM promedio de la poblacin. Pequea encuesta en cada medio I y TM promedio en cada uno, por ejemplo: Sea

medios se tiene: Medio A B C

I = $ 336.000/ ao; T M = 0,44

autos/ hogar y de encuestas en los

I ($/ ao) 780.000 144.000 384.000

TM (autos/hogar) 1,15 0,05 0,85

Conceptos bsicos de muestreo

Entonces, si Fi es fraccin de la poblacin que corresponde a usuarios del modo i, se tiene: 336.000 = 780.000 * F1 + 144.000 * F2 + 384.000 * F3 0,44 = 1,15 F1 + 0,05 F2 + 0,85 F3 1 = F1 + F2 + F3 F1= 0,2451 y resolvindolo se obtiene: F2= 0,6044 F3= 0,1505