1

ESCUELA DE ESTADÍSTICA
CURSOS DE MUESTREO
Profesor: M.Sc. Johnny Madrigal Pana
Notación de los libros de Kish, L., Encuestas por muestreo
y de Cochran, W. Técnicas de muestreo

MUESTREO IRRESTRICTO ALEATORIO

Media simple y 1 n 1 Media y  wi y i
y = =  y i = ( y 1 + y 2 + ...+ y n ) ponderada y= =
n n i=1 n n  wi
Variancia de s
2 Variancia de s
2
2 2
la media s y = var( y ) = (1- f) la media s y = var( y ) = (1- f)
simple n ponderada n
donde donde
 wi ( yi - y ) 2 (  wi y i )
n n 2 2

( y - y ) ( y ) 1
2 2
i
1 n i
2
s = = [  wi yi - ]
 wi
n-1 
2
s =
i=1
= [ yi 2 - i=1
] n-1 n-1
n-1 i=1 n

Error s Total de la
s( y ) = var( y ) = (1- f) variable y
Y=Ny
estándar de
la media n
Error Límites de Media
estándar del confianza
s
total
s y  z/2 1 - f
s(N y ) = Ns( y ) = N (1- f) n
n
Total
s
N y  z/2 N 1 - f
n
Variancia var( y - x ) = (1- f)( s 2x + s 2y - 2 s x y ) También se 1 s
2
para la puede var( y , x ) = var(  d j ) = (1- f) d
diferencia de considerar n n
medias donde
donde
s yx 1 1 n
(d j )
yx 2
n n n-1 
2 muestras s y x = cov( y , x ) = = ( y i xi - ) 1
no independ i=1 n 2
s =
d [  d 2j - ]
n-1 n
2 muestras
independ
var( y - x ) = (1- f)( s 2y + s 2x )

Estimación n Variancia de n 2

de razón y
y i la razón ( y - r x )
i i
r= = i=1
n
2
s r = var(r)=
i=1

x x
i=1
i
n-1
 2

Error n 2
estándar de
la estimación 1- f  ( y i - r xi )
i=1
1- f  y i2 - 2r y i xi + r 2  xi2
de razón s r = var(r)= =
nx n-1 nx n-1

Proporciones y a Variancia de
p= y= = una
n n 2 p(1- p)
proporción s p = var(p)= (1- f)
donde a es el número de n-1
elementos que tienen la
característica de estudio
(a=1 o a=0)
Error Límite de
p(1- p) pq 1
estándar de s p = var(p)= (1- f) confianza p  [ z/2 1 - f + ]
una n-1 para p n - 1 2n
proporción

Estimación Error
del total en estándar del p(1- p)
Y = Np s Np = var(Np)= N (1- f)
proporciones total en n-1
proporciones

Coeficiente Coeficiente
var(  ) sy
de variación. CV  = de variación cv y =
Fórmula E(  ) por elemento y
general
Coeficiente sy Coeficiente sN y s y
de variación cv y = de variación cvNy = =
de la media y para el total Ny y

Coeficiente
pq
de variación
para una n = q
proporción
cv p =
p np

CALCULO DEL TAMAÑO DE LA MUESTRA ASUMIENDO MIA DE ELEMENTOS

Caso de 2 Caso datos
variables z/2 pq = pq continuos z/2 s 2
n0 = 2
n0 = ( )
dicotómicas d V controlando ry
el error
relativo
Caso datos Caso de
continuos 2 2
z/2 s = s
2 coeficientes cv
2
controlando n0 = 2
de variación n0 = 2
el error d V cvdeseado
absoluto
Corrección n0
para n=
poblaciones 1+ n0
finitas N
 3

MUESTREO ESTRATIFICADO ALEATORIO

Caso Caso
H H s 2h
general
Media de
y =  W h yh general
Variancia var( y ) =  W 2
h (1 - f ) h
h=1 h=1
elementos nh
Caso Caso
H
p =  W h ph
general de general de H ph qh
proporción
h=1
proporción var(p)=  W (1 - f ) n
h=1
2
h h
h -1
Media Variancia
Asignación Asignación
proporcional 1 n proporcional (1- f) H

n n 2
Caso y= yj Caso var( y ) = 2 h sh
general j=1 general n h=1
Media Variancia:
Caso de Caso de
H 2
(1- f) (1- f) H y (n - y h )
n p h q h= 2  h
proporción 1 n proporción nh

n
var(p)=
con p= pj con n
2
h=1 h - 1 n h=1 nh - 1
asignación j=1 asignación
proporcional proporcional
Media Variancia
Asignación Tamaño de
óptima de la nh = n
W h sh / ch
=n
N h sh / ch
muestra para (C - c0 )( N h s h / c h )
( W h s h / c h ) ( N h s h / c h ) n=
muestra costo fijo ( N h s h c h )

Tamaño de (  W h s h ch )(  W h s h / ch ) Tamaño de
muestra para n= muestra fijo W h sh N s
1 nh = n =n h h
variancia fija V +  W h s 2h (Neyman) W h sh  N h sh
N

Variancia Tamaño de 1 W 2h s 2h
mínima para muestra en 
n0 =
(  W h s h )  W h s 2h
2
n fija general V wh
var( y ) = - (caso de
n N n0
promedio) n=
1
1+  W h s 2h
NV

Caso Caso  W h s 2h
W h sh
2
particular de particular de n0 =
asignación n= asignación V
1
óptima V +  W h s 2h proporcional n0
supuesto N (caso del n=
(caso del promedio) 1+ n0
promedio) N
Tamaño de Caso
2 2
muestra en particular de
 N h sh
general (  N h sh ) 2 asignación
wh
(caso del n= óptima n=
total) V +  N h s 2h supuesta V +  N h s 2h
(caso del
total)
 4

Caso N
particular de n0 =  N h s 2h
asignación V
proporcional n0
(caso del n=
total) 1+ n0
N

MUESTREO ESTRATIFICADO ALEATORIO: Caso de una proporción

Variancia Variancia
mínima para N h ph qh mínima con N h ph qh / ch
nh = n nh = n
un tamaño de  Nh p q un costo fijo
h h  N h p q / ch h h
muestra total
fijo
Estimación W h ph qh Estimación 2
del tamaño n0 = del tamaño ( W h ph qh )
de muestra V de muestra n0 =
caso n0 óptimo V
proporcional n= supuesto n0
1+ n0 n=
1
N 1+ W h ph qh
NV

MUESTREO SISTEMÁTICO
Modelo de Modelo de
selecciones selecciones
1- f n/2
1 - f m
pareadas
 ( yha - yhb ) pareadas

2
var( y ) = var( y ) = ( y ha - y hb )2
para n par n
2
h para m´ n(2m ) h
pares =
(n+1)/2
(impares)
Modelo de 1 - f n -1
2n(n- 1) 
diferencias var( y ) = ( y g - y g+1 )2
g
sucesivas

MUESTREO REPLICADO
Promedio 1 c Variancia
c
(  x )
2
1- f 1- f
x= x var( x ) = ( x - x )2 = [  x2 - ]
 c(c - 1) c(c - 1) c
 5

MUESTREO Y SUBMUESTREO DE CONGLOMERADOS IGUALES

(conglomerados completos)
Media Variancia 2
sa
y 1 a 1 B 1 a a var( y ) = (1- f)
n aB   y =  y =  ya
y= = a
 
aB a 1 2
2
sa = [  ( y - y ) ]
a -1
Variancia (1- f) s 2y
alternativa var( y ) =
a B2
2 (  y )
2
1
2 2 2
s y = B sa = [  y - ]
a -1 a

Submuestreo de conglomerados
Media Variancia 2
sa
y 1 1 a b a var( y ) = (1- f)
y= = 
n ab   y =  y a a
a 1 2
2
sa = [  ( y - y ) ]
a-1
Variancia (1 - f) s 2y
alternativa var( y ) =
a b2
1 (  y ) 2
2 2 2
s = b sa =
y [  y2 - ]
a -1 a

Muestreo estratificado de conglomerados iguales

Variancia Caso de
(1- f ) 1 muestreo 1- f 2

[  ( ac (  y 2h - y 2h )]
H y a
var( y ) =  W
h h
2
h [ (  y 2hα - )] proporcional var( y ) = 2
h
ah ( a h - 1)b 2
h α ah n ( ac - 1) h 

con afijación
igual ah=ac
Caso de Caso
1- f
selecciones var( y ) = ( y h1 - y h 2 )2 desproporcio 2
W h (1- f h )
pareadas n
2 nado con var( y ) =  2
( y h1 - y h 2 )2
donde ac=2 selecciones n h

pareadas
Componentes A B

  ( Y  - Y )
2
de la variancia 1 ( Y i - Y ) 2
1 A 1 A B
(mia  =  + =
2

N
2
a
N
= 2
b
AB
= 
A
( Y  - Y )2 +
AB  
 
( Y  - Y  )2
conglomerado
s 2 etapas) N -1 2 A-1 2 B -1 2
 2 =  2a + b2 = S = Sa+ Sb
N A B
a S2 b S2
var( y ) = (1- ) a + (1- ) b
A a B ab
 6

Coeficiente de 1 1 A 2

A a B(B - 1) 
correlación = [ ( Y  - Y )( Y  - Y )]
 2

intraclase

 b2
 2a - 2
= B - 1 = 1- Sb N
2 2
S N -1

=
efd - 1
efd = [1+ (b - 1)]
B -1
MUESTREO DE CONGLOMERADOS DESIGUALES
Estimación de a
Variancia
razón y 1 a x 1 a  y
general de 1
r = =   y =  y = a

var(r)= 2 [var(y)+ r 2 var(x)- 2rcov(y,x)]
x x   razón
 x

x x

Variancia
asumiendo un (1- f) (1- f) a 2 2
yx
2 y 2 x
mia de var(r)= 2
[ s2y + r 2 s2x - 2r s yx ] = 2
[(  y - ) + r
2
(  x x - ) - 2r(  y x - )]
conglomerados x x a -1 a a a

Se puede 1- f a
aplicar también var(r)= 2
[  y2 + r 2  x2 - 2r y x ]
x a -1
Razón en el H ah H

muestreo y 1 H ah  y h y h

x  
estratificado: r= = y h = h
H ah
= h
H
x h 


x
h
h x
h
h

Variancia de 1 1
razón en var(r) 2
[ var( y h ) + r 2 var( xh ) - 2rcov( y h , xh )] = 2
[  d 2 y h + r 2  d 2 xh - 2r dyh d xh ]
x x
muestreo donde
irrestricto
1- f h ah 1- f h ah
aleatorio 2
d xh = ( a h  x2h - x2h ) 2
d yh = ( a h  y 2h - y 2h )
estratificado: ah - 1  ah - 1 
1- f h ah
d y h dxh = ( a h  y h x h - y h x h )
ah - 1 

Razón en la y  y h ( y h1 + y h 2 ) Variancia de 1- f
var(r)= 2 [  D2 y h + r 2  D2 xh - 2r Dy h D xh ]
selección r= = = razón con
pareada x  xh ( xh1 + xh 2 ) selección x

pareada
donde- - Dy h = ( yh1 - yh 2 )
Dxh = ( xh1 - xh 2 )
Diferencia de H H
dos razones
y   y  y h h
r - r = - y  = - h
H
h
H

x  x
x x
h h
h h
 7

Variancia de la var(r - r ) = var(r)+ var(r ) - 2cov(r,r )

diferencia de donde
dos medias de 1
cov(r,r ) = [ d y h dy h + rrd xh dx h - rdy h d xh - rd y h dx h ]
razón xx

Variancia de 1- f a a -1 a -1 a -1
var(r)= [  D2 y g + r 2  D2 x g - 2r  Dy g Dx g ]
razón x
2
2(a - 1) g g g
asumiendo donde
modelo
Dy g = ( y g - y g+1 )
diferencias
sucesivas Dx g = ( x g - x g+1 )
Expansiones Expansiones
con con y y X
X X Y r = Xr = X =X = y
estimaciones Y r = Xr = y= Fy estimaciones x x Fx
de razón x Fx de razón
Caso del total var(Xr)= X 2 var(r) Caso del
promedio
var( X r) = X 2 var(r)

SELECCIÓN CON PPT

PARA UNA ETAPA DE SELECCIÓN
s ppt 1 ( y - y ppt )
Estimación de 1 1 y Variancia de 2
2

la media y ppt =  y =  la media var( y )= =

a a Mt ppt
a a a -1
Estimación del Variancia del 1 ( Y  - Y ppt )
1 y 1 y 1 2
Y ppt =  =   = Y
total a Mt / Mt a p a total var(Y ppt ) =
a a -1
PARA DOS ETAPAS DE SELECCIÓN
Fracción
general de Mt b Mt b Ver fórmulas de cálculo para la razón, variancia de
f= =
muestreo con Fb Mt  Mt Mt la razón y expansiones con estimaciones de razón
2 etapas de en la parte de conglomerados iguales o
a
selección desiguales, según corresponda.