VI.7.

MUESTREO MULTIETAPICO ESTRATIFICADO:

No es necesario recurrir a principios nuevos cuando la finalidad es la estimación del total
de una población dividida en L estratos y el muestreo dentro de un estrato es
independiente del muestreo dentro de otro. Simplemente se suman las estimadas, al
igual que la varianza, y lo mismo es cierto para la estimación de la varianza. Por ejemplo,
supongamos que son seleccionadas 𝑛ℎ upm sin reemplazo del estrato ℎ, y se toma una
muestra sencilla aleatoria de 𝑚ℎ𝑖 subunidades a partir de las 𝑀ℎ𝑖 contenidas en la upm
𝑖 del estrato. Entonces se puede estimar el total Y mediante

LA ESTIMACION DE LA POBLACION TOTAL Y

𝑇𝑖
𝑌̂ = ∑[𝑆 ]
𝜋𝑖 ℎ
ℎ

Donde: 𝑇𝑖 = 𝑀𝑖 𝑦̅𝑖

𝑆𝑦𝑖𝑗
𝑇𝑖 = 𝑀 𝑖
𝑚𝑖

𝑀𝑖 𝑆𝑗 𝑦𝑖𝑗
𝑌̂ = ∑[𝑆 ]ℎ
𝜋𝑖 𝑚𝑖
ℎ

Demostración:

𝐸(𝑌̂ ) = 𝑌
𝑇𝑖
𝐸(𝑌̂ ) = 𝐸1 𝐸2 [∑[𝑆 ] ]
𝜋𝑖 ℎ
ℎ

𝑇𝑖
= ∑ [ 𝐸1 𝐸2 ( 𝑆 )]
𝜋𝑖 ℎ
ℎ

𝐸2 (𝑇𝑖 )
= ∑ [ 𝐸1 ( 𝑆 )]ℎ
𝜋𝑖
ℎ

𝐸2 (𝑇𝑖 )
= ∑ [ 𝐸1 ( 𝑆 )]ℎ
𝜋𝑖
ℎ

𝑌𝑖
= ∑ [ 𝐸1 ( 𝑆 )]
𝜋𝑖 ℎ
ℎ
𝑛 𝑁
𝑌𝑖 𝑌𝑖
𝐸(𝑌̂ ) = ∑ [ 𝐸1 [ ∑ 𝑡1 + ∑ 𝑡 ]]
𝜋𝑖 𝜋𝑖 1 ℎ
ℎ 𝑖=1 𝑖=𝑛+1

pág. 1 Docente: Gregoria Natividad Ramón Quispe

 0, 𝑢𝑖 𝑛𝑜 ∈ 𝑎 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑡𝑖 = {
1 , 𝑢𝑖 ∈ 𝑎 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑌𝑖
𝐸(𝑌̂) = ∑ℎ [ 𝐸1 (∑𝑁
𝑖=1 𝜋 𝑡1 )]ℎ
𝑖
𝑛
𝑌𝑖
= ∑ (∑ 𝐸 (𝑡 ))
𝜋𝑖 1 1
ℎ 𝑖=1 ℎ
𝑁
𝑌𝑖
= ∑ (∑ 𝜋)
𝜋𝑖 𝑖
ℎ 𝑖=1 ℎ
𝑁

= ∑ (∑ 𝑌𝑖 )
ℎ 𝑖=1 ℎ

= ∑ 𝑌ℎ
ℎ

𝐸(𝑌̂ ) = 𝑌

LA VARIANZA DEL ESTIMADOR DEL TOTAL:

2
𝑌𝑖 𝑌𝑗 1 1 1
𝑉(𝑌̂ ) = ∑[∑[(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ] + ∑ 𝑀2 𝑖 ( − )𝑆 2 𝑤𝑖 ]
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝑚𝑖 𝑀𝑖
ℎ
ℎ

Se obtiene de la siguiente forma:

Sabemos que en muestreo bietapico sr. Su varianza:
2
𝑌𝑖 𝑌𝑗 𝜎𝑖 2
̂
𝑉(𝑌 ) = ∑[(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ] + ∑ … … … . (∗∗)
𝜋𝑖 𝜋𝑗 𝜋𝑖

Donde:
𝜎𝑖 2 = 𝑉2 (𝑇𝑖 )
= 𝑉2 (𝑀𝑖 𝑦̅𝑖 )

= 𝑀𝑖 2 𝑉2 (𝑦̅𝑖 )
1 𝑚𝑖
𝜎𝑖 2 = 𝑀𝑖 2 [ (1 − )𝑆 2 𝑤𝑖
𝑚𝑖 𝑀𝑖
𝑀𝑖
∑𝑖=1 ̅𝑖 )2
(𝑌𝑖𝑗 −𝑌
2
Donde 𝑆 𝑤𝑖 =
𝑀𝑖 −1

Luego en (**):

pág. 2 Docente: Gregoria Natividad Ramón Quispe

 2
𝑌𝑖 𝑌𝑗 𝜎𝑖 2
𝑉(𝑌̂) = ∑[(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ]+∑
𝜋𝑖 𝜋𝑗 𝜋𝑖
2
𝑌𝑖 𝑌𝑗 1 1 𝑚𝑖
𝑉(𝑌̂) = ∑[(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ] + ∑ 𝑀2 𝑖 (1 − )𝑆 2 𝑤𝑖
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝑚𝑖 𝑀𝑖

Por ende en muestreo multietapico:

2
𝑌𝑖 𝑌𝑗 1 1 1
𝑉(𝑌̂ ) = ∑[∑[(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ] + ∑ 𝑀2 𝑖 ( − )𝑆 2 𝑤𝑖 ]
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝑚𝑖 𝑀𝑖
ℎ
ℎ

LA ESTIMACION DE LA VARIANZA:

En el teorema VI.3 obtenemos un estimador insesgado de 𝑉(𝑌̂) sumando la expresión

en (VI.17) a través de todos los estratos.
𝐿 2 2
̂ 𝜋 𝜋 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 𝜎̂𝑖
̂ ) = ∑[𝑆̀( 𝑖 𝑗
𝑉(𝑌 ) ( − ) + 𝑆 ]ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ

Como notamos que:

𝜎𝑖 2 = 𝑉2 (𝑇𝑖 )
= 𝑉2 (𝑀𝑖 𝑦̅𝑖 )

= 𝑀𝑖 2 𝑉2 (𝑦̅𝑖 )
1 𝑚𝑖
𝜎𝑖 2 = 𝑀𝑖 2 [ (1 − )𝑆 2 𝑤𝑖
𝑚𝑖 𝑀𝑖

Entonces al estimar:
1 𝑚𝑖
𝜎̂2 2
𝑖 = 𝑀𝑖 [ (1 − )𝑠2 𝑤𝑖
𝑚𝑖 𝑀𝑖

Por lo tanto:
𝐿 2
̂ 𝜋 𝜋 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 1 1 1
̂ ) = ∑[𝑆̀( 𝑖 𝑗
𝑉(𝑌 ) ( − ) + 𝑆 𝑛 𝑀2 𝑖 ( − )𝑠2 𝑤𝑖 ]ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖 𝑚𝑖 𝑀𝑖
ℎ

̂ ̂ ) es un estimador insesgado de 𝑉(𝑌̂ ):

Demostrar que 𝑉(𝑌
𝐿 2 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 𝜎̂𝑖
𝐸 (∑[𝑆̀( ̂)
) ( − ) + 𝑆 𝑛 ]ℎ ) = 𝑉(𝑌
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ

pág. 3 Docente: Gregoria Natividad Ramón Quispe

 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 ̂2
𝜎
𝑛 𝑖
𝐸 ∑ (𝑆 ( ) ( − ) ) + 𝐸 ∑ (𝑆 )
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ
ℎ ℎ ℎ

 Primer termino
2 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
𝐸 ∑ (𝑆 ( ) ( − ) ) = ∑ 𝐸(𝑆 ( )( − ) )
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 ℎ
ℎ ℎ ℎ

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
= ∑(𝐸1 𝐸2 {𝑆 ( ) ( − ) })
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 ℎ
ℎ
2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
= ∑(𝐸1 {𝑆 ( ) 𝐸2 ( − ) })
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 ℎ
ℎ

Sabemos: 𝑉(𝑋) = 𝐸 (𝑋 2 ) − (𝐸 (𝑋))2

=> 𝐸 (𝑋 2 ) = 𝑉 (𝑋) + (𝐸 (𝑋))2
2 2
𝑇𝑖 𝑇𝑗 𝑇𝑖 𝑇𝑗 𝑇𝑖 𝑇𝑗
𝐸2 (( − ) ) = 𝑉2 ( − ) + (𝐸2 ( − ))
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗

2
𝑉2 (𝑇𝑖 ) 𝑉2 (𝑇𝑗 ) 𝐸2 (𝑇𝑖 ) 𝐸2 (𝑇𝑗 )
= 2
+ 2
+( + )
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗
2 2
𝑇𝑖 𝜎𝑖 2 𝜎𝑗 2
𝑇𝑗 𝑌𝑖 𝑌𝑗
𝐸2 (( − ) ) = 2 + 2 + ( − )
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗

Luego:
2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
∑ (𝐸1 {𝑆 ( ) 𝐸2 ( − ) })
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ ℎ
2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝜎𝑖 2 𝜎𝑗 2 𝑌𝑖 𝑌𝑗
= ∑(𝐸1 {𝑆 ( )( + +( − ) )})
𝜋𝑖𝑗 𝜋𝑖 2 𝜋𝑗 2 𝜋𝑖 𝜋𝑗
ℎ ℎ

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝜎𝑖 2 𝜎𝑗 2 𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑌𝑖 𝑌𝑗
= ∑[𝐸1 (𝑆 ( ) ( 2 + 2 )) + 𝐸1 (𝑆 ( − ) ]ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝜎𝑖 2 𝜎𝑗 2 𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑌𝑖 𝑌𝑗
= ∑[𝐸1 ∑ (( ) ( 2 + 2 ) 𝑡𝑖 𝑡𝑗 ) + 𝐸1 ∑ (( ) ( − ) 𝑡𝑖 𝑡𝑗 )]ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ

pág. 4 Docente: Gregoria Natividad Ramón Quispe

 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
∑ (𝐸1 {𝑆 ( ) 𝐸2 ( − ) })
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ ℎ

𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝜎𝑖 2 𝜎𝑗 2
= ∑((∑ (( ) ( 2 + 2 ) 𝐸1 (𝑡𝑖 𝑡𝑗 ))
ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑌𝑖 𝑌𝑗
+ ∑ (( ) ( − ) 𝐸1 (𝑡𝑖 𝑡𝑗 ))))ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝜎𝑖 2 𝜎𝑗2 𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑌𝑖 𝑌𝑗
= ∑[∑ (( ) ( 2 + 2 ) 𝜋𝑖𝑗 ) + ∑ (( ) ( − ) 𝜋𝑖𝑗 )]ℎ
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ

2
𝜎𝑖 2 𝜎𝑗 2 𝑌𝑖 𝑌𝑗
= ∑[∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( 2 + 2 )) + ∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) )]ℎ
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗
ℎ

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
𝐸 ∑ (𝑆 ( )( − ) ) =
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ ℎ
2
𝜎𝑖 2 𝜎𝑗 2 𝑌𝑖 𝑌𝑗
= ∑[∑ ((𝜋𝑖𝜋𝑗 − 𝜋𝑖𝑗) ( 2 + 2 )) + ∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗) ( − ) )]
𝜋𝑖 𝜋𝑗 𝜋𝑖 𝜋𝑗
ℎ
ℎ

Por Des Raj pág. 68, sección III.22.

𝑌𝑖 2 𝑌𝑗 2 𝑌𝑖 2
∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( + )) = ∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 )
𝜋𝑖 2 𝜋𝑗 2 𝜋𝑖 2
𝑖 𝑗≠𝑖

Adaptando:
𝜎𝑖 2 𝜎𝑗 2 𝜎𝑖 2
(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗) ( 2 + 2 ) = ∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) 2
𝜋𝑖 𝜋𝑗 𝜋𝑖
𝑖 𝑗≠𝑖

2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
𝐸 ∑ (𝑆 ( )( − ) )
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ ℎ
2
𝜎𝑖 2 𝑌𝑖 𝑌𝑗
= ∑[∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) 2 + ∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) )]ℎ
𝜋𝑖 𝜋𝑖 𝜋𝑗
ℎ 𝑖 𝑗≠𝑖

Se demostró en clase que:

𝜎𝑖 2 𝜎𝑖 2 𝜎𝑖 2
∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) = ∑ ∑ 𝜋 𝜋
𝑖 𝑗 − ∑ ∑ 𝜋 𝑖𝑗
𝜋𝑖 2 𝜋𝑖 2 𝜋𝑖 2
𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖

pág. 5 Docente: Gregoria Natividad Ramón Quispe

 𝜎𝑖 2 𝜎𝑖 2 𝜎𝑖 2
∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) = ∑ ∑ 𝜋𝑗 − ∑ ∑ 𝜋 𝑖𝑗
𝜋𝑖 2 𝜋𝑖 𝜋𝑖 2
𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖

𝜎𝑖 2 𝜎𝑖 2 𝜎𝑖 2
∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) = ∑ ∑ 𝜋 𝑗 − ∑ ∑ 𝜋𝑖𝑗
𝜋𝑖 2 𝜋𝑖 𝜋𝑖 2
𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖 𝑖 𝑗≠𝑖

𝜎𝑖 2 𝜎𝑖 2
=∑ (𝑛 − 𝜋𝑖 ) − ∑ 2 (𝑛 − 1)𝜋𝑖
𝜋𝑖 𝜋𝑖
𝑖 𝑖

𝜎𝑖 2 𝜎𝑖 2 𝜋𝑖 𝜎𝑖 2
= ∑( 𝑛− )−∑ (𝑛 − 1)
𝜋𝑖 𝜋𝑖 𝜋𝑖
𝑖 𝑖

𝜎𝑖 2 𝜎𝑖 2
∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) = ∑ − ∑ 𝜎𝑖 2
𝜋𝑖 2 𝜋𝑖
𝑖 𝑗≠𝑖 𝑖 𝑖

Por lo tanto:
2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗
𝐸 ∑ (𝑆 ( )( − ) )
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗
ℎ ℎ
2
𝜎𝑖 2 𝑌𝑖 𝑌𝑗
= ∑ [∑ ∑(𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗) 2 + ∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗) ( − ) )]
𝜋𝑖 𝜋𝑖 𝜋𝑗
ℎ 𝑖 𝑗≠𝑖
ℎ

2
𝑌𝑖 𝑌𝑗 𝜎𝑖 2
= ∑ [∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ) + ∑ − ∑ 𝜎𝑖 2 ]
𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ 𝑖 𝑖
ℎ

2
𝑌𝑖 𝑌𝑗 𝜎𝑖 2
= ∑ [∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ) + ∑ ] − ∑ [∑ 𝜎𝑖 2 ]
𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ 𝑖 ℎ 𝑖 ℎ
ℎ

= 𝑉(𝑌̂) − ∑ [∑ 𝜎𝑖 2 ]
ℎ 𝑖 ℎ

 Segundo termino
2 2
𝑛
̂𝑖
𝜎 𝑛
̂𝑖
𝜎
𝐸 ∑ (𝑆 ) = ∑ (𝐸 (𝑆 ))
𝜋𝑖 𝜋𝑖
ℎ ℎ ℎ
ℎ

2
𝑛
̂𝑖
𝜎
= ∑ (𝐸1 𝐸2 (𝑆 ))
𝜋𝑖
ℎ
ℎ

𝐸2 (𝜎̂𝑖 2 )
= ∑ (𝐸1 (𝑆𝑛 ))
𝜋𝑖
ℎ
ℎ

pág. 6 Docente: Gregoria Natividad Ramón Quispe

 2
𝑛
̂𝑖
𝜎 𝑛
𝜎𝑖 2
𝐸 ∑ (𝑆 ) = ∑ (𝐸1 (𝑆 ))
𝜋𝑖 𝜋𝑖
ℎ ℎ ℎ ℎ

𝑁
𝜎𝑖 2
= ∑ (𝐸1 (∑ 𝑡𝑖 ))
𝜋𝑖
ℎ 𝑖=1
ℎ
𝑁
𝜎𝑖 2
= ∑ (∑ 𝐸1 (𝑡𝑖 ))
𝜋𝑖
ℎ 𝑖=1 ℎ
𝑁
𝜎𝑖 2
= ∑ (∑ 𝜋𝑖 )
𝜋𝑖
ℎ 𝑖=1 ℎ
𝑁

= ∑ (∑ 𝜎𝑖 2 )
ℎ 𝑖=1 ℎ

Finalmente
𝐿 2 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 𝜎̂𝑖
𝐸 (∑[𝑆̀ ( ) ( − ) +𝑆 𝑛 ]ℎ )
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ

2 𝑁
𝑌𝑖 𝜎𝑖 2
𝑌𝑗
= ∑ [∑ ((𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 ) ( − ) ) + ∑ − ∑ 𝜎𝑖 2 ] + ∑ (∑ 𝜎𝑖 2 )
𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ 𝑖 𝑖 ℎ 𝑖=1 ℎ
ℎ

= 𝑉(𝑌̂ ) − ∑ [∑ 𝜎𝑖 2] + ∑ (∑ 𝜎𝑖 2 )
ℎ 𝑖 ℎ ℎ 𝑖=1 ℎ

𝐿 2 2
𝜋𝑖 𝜋𝑗 − 𝜋𝑖𝑗 𝑇𝑖 𝑇𝑗 𝜎̂𝑖
𝐸 (∑[𝑆̀( ) ( − ) + 𝑆 𝑛 ]ℎ ) = 𝑉(𝑌̂)
𝜋𝑖𝑗 𝜋𝑖 𝜋𝑗 𝜋𝑖
ℎ

𝑇𝑖
𝑌̂ = ∑[𝑆 ]
𝜋𝑖 ℎ
ℎ

Donde: 𝑇𝑖 = 𝑀𝑖 𝑦̅𝑖

𝑆𝑦𝑖𝑗
𝑇𝑖 = 𝑀 𝑖
𝑚𝑖

pág. 7 Docente: Gregoria Natividad Ramón Quispe

 𝑀𝑖 𝑆𝑗 𝑦𝑖𝑗
𝑌̂ = ∑[𝑆 ]ℎ
𝜋𝑖 𝑚𝑖
ℎ

Es de gran interés observar que una selección particular de 𝑚𝑖 a partir de las

𝑀𝑖 subunidades facilita mucho el cálculo de 𝑌̂ . De hecho, para
𝑀 1
(𝜋 𝑚𝑖 ) ℎ = 𝑘 …VI.29
𝑖 𝑖

1
El estimador se convierte en 𝑌̂ = 𝑘 ∑ℎ 𝑆𝑖 𝑆𝑗 𝑦𝑖𝑗 …VI.30

Lo que significa que las observaciones en las subunidades simplemente se suman sin
tener en cuenta la upm o el estrato a que pertenecen. Como se dijo antes, a tal
estimador se le llama “auto ponderado”. La cantidad k admite una interpretación
sencilla. El número de subunidades en la muestra forma un estrato particular en 𝑆𝑚𝑖 .
Su valor esperado es 𝐸 (𝑆𝑚𝑖 ) = ∑ 𝜋𝑖 𝑚𝑖
∑ 𝜋𝑖 𝑚𝑖 = 𝑘 ∑ 𝑀𝑖 De VI.29
Por lo tanto,
∑ 𝜋𝑖 𝑚𝑖
𝑘= = 𝑓𝑟𝑎𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑒𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑝𝑎𝑟𝑎 𝑙𝑎𝑠 𝑠𝑢𝑏𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
∑ 𝑀𝑖

De modo, si se desea incluir en la muestra el 1% de las unidades (en promedio) de cada

estrato, estableceremos en VI.29 que k=1/100 y le pediremos al investigador de campo
que tome una fracción de muestra de 1/(100𝜋𝑖 ) de la upm 𝑖, en el que conocemos 𝜋𝑖 . Si
se utilizan diferentes k en diferentes estratos, tendrán que ponderarse adecuadamente
las estimaciones de los estratos.

pág. 8 Docente: Gregoria Natividad Ramón Quispe