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

Sin auto

Tamao hogar

(%)

4 o menos

+ de 4

16

4 o menos

25

+ de 4

50

Total:

100

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

I Alto

Total

Usuario Bus

0,45

0,15

0,60

Usuario Auto

0,20

0,20

0,40

Total

0,65

0,35

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

IA

Total

0,519

0,107

0,626

0,231

0,143

0,374

Total

0,750

O,250

1,000

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

IB

IA

Total

0,563

0,187

0,750

0,125

0,125

0,250

Total

0,688

0,312

1,000

Lgico

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:

Estratificada:

Basada eleccin:

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

0,143
= 0,572
0,107+ 0,143
0,125
= 0,400
0,187 + 0,125

Conceptos bsicos de muestreo

Importancia fundamental cuando se desea estimar modelos de
eleccin modal

(1)

Datos de muestra estratificada pueden usar software estndar y no hay

sesgo

Datos de muestra basada en eleccin, requieren correccin previa:

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

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

medios se tiene:

autos/ hogar y de encuestas en los

Medio

I ($/ ao)

TM
(autos/hogar)

780.000

1,15

144.000

0,05

384.000

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