TRABAJO # 2

CALLEJAS BONOLIS KAREN YULIETH

TENORIO ARGUMEDO ANA GRACIELA

DR: GUILLERMO DOMINGO MARTINEZ

MUESTREO I

UNIVERSIDAD DE CORDOBA
DEPARTAMENTO DE MATEMATICA Y ESTADISTICA
ESTADISTICA
MONTERIA CORDOBA
19-Oct-20
ESTIMACION DE LA POBLACION DEL DEPARTAMENTO DE CORDOBA 2018. A PARTIR
DEL CENSO REALIZADO EN UNA MUESTRA DE CUATRO MUNICIPIOS. TOMANDO
COMO REFERENCIA EL CENSO DEL 2015
K MUNICION Xk Xk ord Tk Ck=n*Xk/Tk
1 Montería 441301 441301 1709644 0.774373495
2 Ayapel 51164 118237 1268343 0.279664886
3 Buenavista 21628 99911 1150106 0.26061337
4 Canalete 21548 91525 1050195 0.261451445
5 Cereté 91525 89867 958670 0.281223987
6 Chimá 15018 81341 868803 0.280872649
7 Chinú 48304 67188 787462 0.255966637
8 Ciénaga de Oro 64226 64226 720274 0.267506532
9 Cotorra 15447 51164 656048 0.233964588
10 La Apartada 15204 48304 604884 0.239569901
11 Lorica 118237 47643 556580 0.256798663
12 Los Córdobas 23760 43584 508937 0.256911956
13 Momil 14864 42971 465353 0.27702196
14 Montelíbano 81341 42747 422382 0.30361379
15 Moñitos 27433 38559 379635 0.304705836
16 Planeta Rica 67188 37716 341076 0.331738381
17 Pueblo Nuevo 38559 34782 303360 0.343967563
18 Puerto Escondido 29141 31365 268578 0.350345151
19 Puerto Libertador 47643 29141 237213 0.368542196
20 Purísima 15073 27433 208072 0.395531355
21 Sahagún 89867 27104 180639 0.450135353
22 San Andrés Sotavento 42747 23760 153535 0.464258964
23 San Antero 31365 21628 129775 0.49997303
24 San Bernardo del Viento 34782 21548 108147 0.597741962
25 San Carlos 27104 15447 86599 0.535121653
26 San José de Uré 10993 15204 71152 0.641050146
27 San Pelayo 43584 15073 55948 0.808232645
28 Tierralta 99911 15018 40875 1.102238532
29 Tuchín 37716 14864 25857 1.724562014
30 Valencia 42971 10993 10993 3

no trabajaremos con la poblacion de Monteria este lo tomaremos como un estrato de inclusion

forzosa. valor el cual se tendra en cuenta al momento de la suma total de la poblacion
estimada.

Entonces tenemos:

N = 30
n=3
 Tx = 1709644
K* = 28

Ahora buscamos la media asi

𝒙 ̅_(𝒌^∗ )=𝒕 ̂_(𝒌^∗ )/(𝑵−𝒌^∗+𝟏)

𝒙 ̅_(𝑲^∗ )=𝟒𝟎𝟖𝟕𝟓/(𝟑𝟎−𝟐𝟖+𝟏)

𝒙 ̅_(𝒌^∗ )=𝟒𝟎𝟖𝟕𝟓/𝟑=𝟏𝟑.𝟔𝟐𝟓

procedemos a buscar los π sub k teniendo en cuenta aplicar el metodo de suntes para los
Ck < 1 y el metodo de fat-muller para los Ck > 1

Para los Ck < 1

𝛱_𝑘=(𝑛⋅𝑥_𝑘)/𝑇_𝑘

π1 0.7743734953 π24 0.03781138

π2 0.2074765273 π25 0.02710564
π3 0.1753189553 π26 0.02667924
π4 0.160603611 π27 0.02644937
π5 0.1576942334
π6 0.142733224
π7 0.1178982291
π8 0.1127006558
π9 0.0897800946
π10 0.0847615059
π11 0.0836016153
π12 0.0764790799
π13 0.0754034173
π14 0.075010353
π15 0.0676614547
π16 0.0661821993
π17 0.0610337591
π18 0.0550377739
π19 0.0511352071
π20 0.0481380919
 π21 0.0475607787
π22 0.0416928904
π23 0.0379517607

Para los Ck > 1 utilizamos FAT-MULLER donde los π son iguales

𝛱_𝑘=(𝑛⋅𝑥 ̅_(𝑘^∗ ))/𝑇𝑥

Entonces tenemos que :

π28 = π29 = π30 = 0.02390849

ahora buscamos lo g solo para el primer grupo

𝒈𝟏=𝟏/𝒕_𝟐 𝒈_𝒌=𝒈_(𝒌−𝟏)⋅(𝒕_𝒌−𝒙_(𝒌−𝟏))/𝒕_(𝒌+𝟏)

g1 7.884303E-07
g2 5.669607E-07
g3 5.570672E-07
g4 5.521942E-07
g5 5.511405E-07
g6 5.451732E-07
g7 5.344608E-07
g8 5.320477E-07
g9 5.205586E-07
g10 5.178837E-07
g11 5.172111E-07
g12 5.126997E-07
g13 5.119557E-07
g14 5.116536E-07
g15 5.053711E-07
g16 5.039667E-07
g17 4.984613E-07
g18 4.912811E-07
g19 4.8603E-07
g20 4.814344E-07
g21 4.804028E-07
g22 4.680239E-07
g23 4.587973E-07
 g24 4.583735E-07
g25 4.190698E-07
g26 4.172496E-07
g27 4.159124E-07
g28 4.150277E-07

Entonces para los πkl tenemos:

Para 1 ≤ K < L < 28

𝜫_(𝒌_𝑳 )=(𝒏⋅𝒏−𝟏)/𝑻𝒙⋅𝒈_𝒌⋅𝒙_𝒌⋅𝒙_𝑳

π12 0.1443767167
π13 0.0877297236
π14 0.0789637585
π15 0.0768550834
π16 0.0694308167
π17 0.0567291989
π18 0.053162721
π19 0.042159512
π1.10 0.0389433393
π1.11 0.0382130592
π1.12 0.0349120516
π1.13 0.0341207865
π1.14 0.0338936599
π1.15 0.0305549981
π1.16 0.0295200104
π1.17 0.0271479412
π1.18 0.0242134803
π1.19 0.0221725154
π1.20 0.0206498466
π1.21 0.0202092866
π1.22 0.0176779708
π1.23 0.015677069
π1.24 0.0153111679
π1.25 0.0109658957
π1.26 0.0098678989
π1.27 0.0097403854
π1.28 0.0096737407

Para ≤ k < 28 < L ≤ 30

 𝝅_(𝒌_𝑳 )=(𝒏⋅𝒏−𝟏)/𝑻𝒙⋅𝒈_𝒌⋅𝒙_𝒌⋅𝒙 ̅_(𝒌^∗ )

π1,28 = π1,29 = π1,30 0.0166372

π2,28 = π2,29 = π2,30 0.01196382
π3,28 = π3,29 = π3,30 0.01175505
π4,28 = π4,29 = π4,30 0.00263808
π5,28 = π5,29 = π5,30 0.00236834
π6,28 = π6,29 = π6,30 0.00212044
π7,28 = π7,29 = π7,30 0.00171708
π8,28 = π8,29 = π8,30 0.00163397
π9,28 = π9,29 = π9,30 0.00127355
π10,28 = π10,29 = π10,30 0.00119618
π11,28 = π11,29 = π11,30 0.00117828
π12,28 = π12,29 = π12,30 0.00106849
π13,28 = π13,29 = π13,30 0.00105194
π14,28 = π14,29 = π14,30 0.00104584
π15,28 = π15,29 = π15,30 0.00093179
π16,28 = π16,29 = π16,30 0.00090889
π17,28 = π17,29 = π17,30 0.00082903
π18,28 = π18,29 = π18,30 0.00073681
π19,28 = π19,29 = π19,30 0.00067725
π20,28 = π20,29 = π20,30 0.00063153
π21,28 = π21,29 = π21,30 0.00062262
π22,28 = π22,29 = π22,30 0.00053174
π23,28 = π23,29 = π23,30 0.00047448
π24,28 = π24,29 = π24,30 0.00047229
π25,28 = π25,29 = π25,30 0.00030954
π26,28 = π26,29 = π26,30 0.00030334
π27,28 = π27,29 = π27,30 0.00029977

Para el segundo grupo tenemos

k* ≤ k < L ≤ N 28 ≤ k < L ≤ 30

𝛱_(𝑘_𝐿 )=(𝑛⋅𝑛−1)/𝑇𝑥⋅𝑔_(𝑘^∗−1)⋅(𝑡𝑘^∗−𝑥_(𝑘^∗ )−1)/(𝑡𝑘^∗−𝑥 ̅_(𝑘^∗ ) )⋅(𝑥_(𝑘^∗ ) )^2

 π28,29 = π28,30 = π29,30 0.0002565

Ahora para la selección utilizamos el metodo de sunter para el primer grupo y fat-muller para
el segundo

K (n-nk)Xk/ Tk ξk Ie(S)
1 0.774373495300776 0.90739497
2 0.279664885602712 0.48143054
3 0.260613369550285 0.8410917
4 0.261451444731693 0.93575832
5 0.281223987399209 0.03005821 1
6 0.187248432613607 0.50890075
7 0.170644424746845 0.00459936 1
8 0.089168844078781 0.74437651
9 0.07798819598566 0.6775684
10 0.079856633668604 0.96037918
11 0.085599554421647 0.98184107
12 0.085637318567917 0.76274746
13 0.092340653224541 0.12123795
14 0.101204596786795 0.66638253
15 0.101568611956221 0.90907148
16 0.110579460296239 0.88342189
17 0.11465585443038 0.12891239
18 0.116781717043094 0.17883814
19 0.122847398751333 0.74567941
20 0.131843784843708 0.02041006 1

Asi nuestra muestra queda compuesta por s = { 5,7,20 }, por tanto mi caracteristica de estudio
es Y = { 93713, 49841, 15172 }

Entonces :

π15 0.0768550834

π1 0.7743734953
 π5 0.1576942334

𝜟_𝟏𝟓=𝝅_𝟏𝟓−𝝅_𝟏⋅𝝅_𝟓 -0.045259151

𝜟 ̃_𝟏𝟓=𝚫_𝟏𝟓/𝝅_𝟏𝟓
-0.588889496

π17 0.0567291989

π1 0.7743734953

π7 0.1178982291

𝜟_𝟏𝟕=𝝅_𝟏𝟕−𝝅_𝟏⋅𝝅_𝟕 -0.034568065

𝜟 ̃_𝟏𝟕=𝚫_𝟏𝟕/𝝅_𝟏𝟕
-0.609352248

π1.20 0.0206498466

π1 0.7743734953

π20 0.0481380919

𝜟_𝟏𝟐𝟎=𝝅_𝟏𝟐𝟎−𝝅_𝟏⋅𝝅_𝟐𝟎 -0.016627016

𝜟 ̃_𝟏𝟐𝟎=𝚫_𝟏𝟐𝟎/𝝅_𝟏𝟐𝟎
-0.805188353

Por tanto:

𝒕 ̂_𝒚𝝅=𝒀_𝟓/𝝅_𝟓 +𝒚_𝟕/𝝅_𝟕
+𝒚_𝟐𝟎/𝝅_𝟐𝟎

𝒕 ̂_(𝒚_𝜫 1,332,535
)
 Ahora a este valor le sumamos la poblacion de monteria teniendo en cuenta que Monteria se
tomo como un estrato de inclusion forsoza.

𝒕 ̃_𝒚𝝅=1.332.535+441.301=1.773.836

asi tenemos 𝒕 ̂_𝒀𝜫= 1,773,836

𝟏/𝟐 𝚫 ̃_𝟏𝟓 (𝒀_𝟏/𝝅_𝟏 −𝒚_𝟓/𝝅_𝟓 )^𝟐+𝚫 ̃_𝟏𝟕 〖 (𝒚_𝟏/𝝅_𝟏 −𝒚_𝟕/𝝅_𝟕 )^𝟐+𝜟 ̂_𝟏𝟐𝟎 (𝒚_𝟏/𝝅_𝟏 −𝒚_𝟐𝟎/𝝅_𝟐𝟎 )^𝟐 〗 ^

𝒗 ̂(𝒕 ̂_𝒚𝝅 ) 4.03E-10

ee 2.006988E-05

c.v.e 1.131439E-09

el total estimado es de 1.773.836 con un error estandandar de 2,00699e-05 y un c.v.e de

1,13%

ESTIMACION DE LA POBLACION DEL DEPARTAMENTO DE CORDOBA 2020. A PARTIR

DEL CENSO REALIZADO EN UNA MUESTRA DE CUATRO MUNICIPIOS. TOMANDO
COMO REFERENCIA EL CENSO DEL 2018
K MUNICION Xk Xk ord Tk Ck=n*Xk/Tk
1 Montería 460,082 460,082 1,788,507 1.02897445
2 Ayapel 54,144 120,558 1,328,425 0.36301033
3 Buenavista 22,459 107,302 1,207,867 0.35534376
4 Canalete 23,028 93,713 1,100,565 0.3405996
5 Cereté 93,713 90,406 1,006,852 0.35916302
6 Chimá 15,438 86,858 916,446 0.37910799
7 Chinú 49,841 68,810 829,588 0.33177915
8 Ciénaga de Oro 67,934 67,934 760,778 0.35718173
9 Cotorra 15,547 54,144 692,844 0.31258985
10 La Apartada 16,046 52,371 638,700 0.32798497
11 Lorica 120,558 49,841 586,329 0.34002071
12 Los Córdobas 25,947 46,145 536,488 0.34405243
13 Momil 15,175 45,926 490,343 0.37464387
14 Montelíbano 86,858 44,972 444,417 0.40477299
15 Moñitos 28,708 40,911 399,445 0.40967843
16 Planeta Rica 68,810 40,425 358,534 0.45100325
 17 Pueblo Nuevo 40,911 35,874 318,109 0.45109066
18 Puerto Escondido 31,834 33,096 282,235 0.46905593
19 Puerto Libertador 52,371 31,834 249,139 0.51110424
20 Purísima 15,172 28,708 217,305 0.52843699
21 Sahagún 90,406 28,236 188,597 0.59886424
22 San Andrés Sotavento 46,145 25,947 160,361 0.64721472
23 San Antero 33,096 23,028 134,414 0.68528576
24 San Bernardo del Viento 35,874 22,459 111,386 0.80652865
25 San Carlos 28,236 16,046 88,927 0.72176055
26 San José de Uré 11,549 15,547 72,881 0.85328138
27 San Pelayo 44,972 15,438 57,334 1.07705724
28 Tierralta 107,302 15,175 41,896 1.44882566
29 Tuchín 40,425 15,172 26,721 2.27117249
30 Valencia 45,926 11,549 11,549 4

En esta estimacion sacamos monteria, tomando como un estrato de inclusion forsoza, este
queda directamente en nuestra selección

Tx 1,788,507
K* 27

Ahora buscamos la media

𝒙 ̅𝒌^∗=(𝒕𝒌^∗)/(𝑵−𝒌^∗+𝟏)

𝒙 ̅𝒌^∗=(𝟓𝟕.𝟑𝟑𝟒)/
(𝟑𝟎−𝟐𝟕+𝟏)

𝒙 ̅𝒌^∗ 14,333

buscamos los π sub k teniendo en cuenta aplicar el metodo de suntes para los Ck < 1 y el
metodo de fat-muller para los Ck > 1

𝝅_𝒌=(𝒏⋅𝒙_𝒌)/𝑻𝒙

π1 0.3630103318
π2 0.2399811687
 π3 0.209589339
π4 0.202193226
π5 0.202193226
π6 0.1942581158
π7 0.1538937225
π8 0.1519345465
π9 0.12109318
π10 0.1171278614
π11 0.1114695106
π12 0.1032033981
π13 0.1027136041
π14 0.100579981
π15 0.0914975452
π16 0.090410605
π17 0.0802322831
π18 0.0740192798
π19 0.0711968139

π20 0.0642055077
π21 0.0631498786
π22 0.0580305249
π23 0.0515021747
π24 0.0502296049
π25 0.0358869157
π26 0.0347709011

ahora utilizamos fat-muller

𝝅_𝒌=(𝒏⋅𝒙 ̅𝒌^∗)/𝑻𝒙

π27 = π28 = π29 = π30 0.0431578749

Procemos a buscar lo g solo para el primer grupo

𝒈_𝟏=𝟏/𝒕_𝟐 𝒈_𝒌=𝒈_(𝒌−𝟏)⋅(𝒕_𝒌−𝒙_(𝒌−𝟏))/𝒕_(𝒌+𝟏)

g1 8.279057E-07
g2 8.179338E-07
g3 8.068946E-07
g4 8.039829E-07
g5 8.005444E-07
 g6 7.81553E-07
g7 7.805648E-07
g8 7.637119E-07
g9 7.614025E-07
g10 7.578118E-07
g11 7.520998E-07
g12 7.517291E-07
g13 7.499338E-07
g14 7.414395E-07
g15 7.403068E-07
g16 7.283694E-07
g17 7.202478E-07
g18 7.16065E-07
g19 7.041962E-07
g20 7.021235E-07
g21 6.901667E-07
g22 6.720801E-07
g23 6.677797E-07
g24 6.0902E-07

g25 6.037194E-07
g26 6.021487E-07

Entonces para los πkl tenemos

para 1 ≤ k < L < 27

𝜫_(𝒌_𝑳 )=(𝒏⋅𝒏−𝟏)/𝑻𝒙⋅𝒈_𝒌⋅𝒙_𝒌⋅𝒙_𝑳

π1.2 0.4148168287
π1.3 0.3647585114
π1.4 0.0823487236
π1.5 0.0788175469
π1.6 0.073927923
π1.7 0.0584925815
π1.8 0.0565011095
π1.9 0.044895713
π1.10 0.0432207689
π1.11 0.0408227672
π1.12 0.0377768967
π1.13 0.037507816
π1.14 0.0363126691
π1.15 0.0329831441
 π1.16 0.0320657921
π1.17 0.0281385678
π1.18 0.0258088215
π1.19 0.0244132226
π1.20 0.0219511192
π1.21 0.0212225418
π1.22 0.0189910246
π1.23 0.0167467178
π1.24 0.0148957435
π1.25 0.0105497503
π1.26 0.0101950796

Para 1 ≤ k < 27 < l ≤ 30

𝝅_𝒌𝑳=(𝒏⋅𝒏−𝟏)/𝑻𝒙⋅𝒈_𝒌⋅𝒙_𝒌⋅𝒙 ̅𝒌^∗

π1.27 = π1.28 = π1.29 = π1.30 0.01292285

π2.27 = π2.28 = π2.29 = π2.30 0.01136337
π3.27 = π3.28 = π3.29 = π3.30 0.00979034

π4.27 = π4.28 = π4.29 = π4.30 0.00941077

π5.27 = π5.28 = π5.29 = π5.30 0.00900278
π6.27 = π6.28 = π6.29 = π6.30 0.00696292
π7.27 = π7.28 = π7.29 = π7.30 0.00686558
π8.27= π8.28 = π8.29 = π8.30 0.00535379
π9.27 = π9.28 = π9.29 = π9.30 0.00516281
π10,27 = π10.28 = π10.29 = π10.30 0.00489023
π11,27 = π11.28 = π11.29 = π11.30 0.00449347
π12,27 = π12.28 = π12.29 = π12.30 0.00446994
π13,27 = π13.28 = π13.29 = π13.30 0.00436663
π14,27 = π14.28 = π14.29 = π14.30 0.00392733
π15,27 = π15.28 = π15.29 = π15.30 0.00387474
π16,27 = π16.28 = π16.29 = π16.30 0.00338308
π17,27 = π17.28 = π17.29 = π17.30 0.0030863
π18,27 = π18.28 = π18.29 = π18.30 0.00295138
π19,27 = π19.28 = π19.29 = π19.30 0.00261745
π20,27 = π20.28 = π20.29 = π20.30 0.00256684
π21,27 = π21.28 = π21.29 = π21.30 0.00231858
π22,27 = π22.28 = π22.29 = π22.30 0.00200382
π23,27 = π23.28 = π23.29 = π23.30 0.0019418
π24,27 = π24.28 = π24.29 = π24.30 0.00126526
 π25,27 = π25.28 = π25.29 = π25.30 0.00121524
π26,27 = π26.28 = π26.29 = π26.30 0.00120358

para el segundo grupo tenemos

28 ≤ k < l ≤ 30

π27,28 = π27,29 = π27,30 = π28,29 = π28,30 =π29,30 0.00108589

Procedemos hacer la selección

K (n-nk)Xk/ Tk ξk Ie(S)
1 0.363010331783879 0.01824423 1
2 0.355343758874114 0.13715679 1
3 0.25544970083548 0.13335813 1
4 0.179581507510538 0.13229803 1

Finalmente la muestra queda compuesta S = {1,2,3 4}, teniendo en cuenta que Y es nuestra
caracteristica de estudio entonces Y = {121.793, 112.206, 93.935, 90.494}

entonces

π1.2 0.078817546857752

π1 0.363010331783879

π2 0.26962824299821

𝜟_𝟏𝟐 -0.019060291091333

𝜟 ̃_𝟏𝟐=𝚫_𝟏𝟐/𝝅_𝟏𝟐
-0.241828017379584

π1.3 0.082348723553196
 π1 0.363010331783879

π3 0.239981168650724

𝜟_(𝟏,𝟑)= -0.004766920100587

𝜟 ̃_𝟏𝟑=𝚫_𝟏𝟑/𝝅_𝟏𝟑
-0.057886994

π1.4 0.073927923032971

π1 0.363010331783879

π4 0.209589339040887

𝜟_(𝟏.𝟒) -0.002155172

𝜟 ̃_(𝟏.𝟒)=𝚫_(𝟏.𝟒)/𝝅_(𝟏.𝟒)
-0.029152347

𝒕 ̂_𝜸𝝅=𝒀_𝟏/𝝅_𝟏 +𝒚_𝟐/𝜫_𝟐 +𝒚_𝟑/𝜫_𝟑 +𝒀𝟒/𝝅_𝟒

𝒕 ̂_(𝒚_𝝅 ) 335.508+374.057+345.095+335.635
=

𝑡 ̂_(𝑦_𝜋 )= 1,370,295

a este valor le sumamos la poblacion de monteria para asi obtener una poblacion total
estimada de

𝒕 ̂_𝒚𝝅=1.370.295+460.082=1.830.337

ahora procedemos a buscar la varianza

_𝜫 ) )=−𝟏/𝟐⋅𝚫 ̂_𝟏𝟐 (𝒀_𝟏/𝝅_𝟏 −𝒀_𝟐/𝜫_𝟐 )^𝟐+𝚫 ̃_𝟏𝟑 〖 (𝒀_(𝟏⋅)/𝜫_𝟏 −𝒀_𝟑/𝝅_𝟑 )^𝟐+𝜟 ̃_(𝟏.𝟒) (𝒀_𝟏/𝝅_𝟏 −𝒚_𝟒/𝝅_𝟒 )^𝟐 〗 ^
_𝜫 ) )=−𝟏/𝟐⋅𝚫 ̂_𝟏𝟐 (𝒀_𝟏/𝝅_𝟏 −𝒀_𝟐/𝜫_𝟐 )^𝟐+𝚫 ̃_𝟏𝟑 〖 (𝒀_(𝟏⋅)/𝜫_𝟏 −𝒀_𝟑/𝝅_𝟑 )^𝟐+𝜟 ̃_(𝟏.𝟒) (𝒀_𝟏/𝝅_𝟏 −𝒚_𝟒/𝝅_𝟒 )^𝟐 〗 ^

𝒗 ̅_((𝒕 ̂𝒚𝝅) ) −1/2 (−359.357−5.320−0.000467)

=

𝒗 ̃_((𝒕 ̂_𝒚𝝅 ) )=−1/2 (−361.677)=

180,838

ⅇⅇ(𝒕 ̂_(𝒚_𝝅 ) )= 13,447

c.v.e 0.007346 0.73%

De esta manera decimos la que la poblacion estimada para el departamento de cordoba para
el año 2020 es de 1.830.337, con un error estandar de 13.447 y una c.v.e de 0.73%

APLICAMOS LA ESTRATEGIA ESTRATIFICADA

Para desarollar la estrategia estratificada vamos a dividir nuestra poblacion en tres estratos
que quedaran organizados por municipios dependiendo el tamaño de la poblacion, (Grande,
mediano y pequeño )

de esta manera quedaria los estratos:

POBLACION GRANDE POBLACION MEDIANA POBLACION PEQUEÑA

Monteria Puerto libertador San Carlos
Lorica San pelayo Los Cordobas
Tierralta Valencia Buena Vista
 Cerete San andres Sotavento Canalete
Sahagun Pueblo Nuevo Cotorra
Montelibano Tuchin La Apartada
Planeta Rica San Bernardo Del viento Purisima
Cienaga de Oro San Antero Chima
Ayapel Puerto Escondido Momil
Chinu Moñitos San Jose de Ure

Entonces

𝑛=12 , 𝑁=30 ,𝑁1=𝑁2=𝑁3=10

𝑛ℎ=𝑛∗𝑁ℎ/𝑁

𝑛1=12∗10/30=4 𝑛2=12∗10/30=4 𝑛3=12∗10/30=4

ESTRATO # 1
U Municipios YK XK PK
1 Monteria 28,236 27,104 0.15004512
2 Lorica 25,947 23,760 0.13153306
9 Ayapel 15,172 14,864 0.08228566
10 Chinu 11,549 10,993 0.06085615

TOTAL ESTIMADO

((𝒕 ) ̂𝒚,𝒑=𝒕𝒙𝒊/𝒎𝒊 ∑_(𝒊=𝒊)^𝒎𝒊▒𝒚𝒌𝒊/𝒙𝒌𝒊) ̂

𝒕 ̂𝒚𝟏,𝒑= 188.597/4 (28.236/27.104+…+11.549/10.993)=189.9017

𝒕 ̂𝒚𝟏,𝒑=189.9017
 VARIANZA ESTIMADA

(𝑽𝒂𝒓) ̂𝑷𝑷𝑻(𝒕 ̂𝒚𝟏,𝒑)=𝟏/(𝒎(𝒎−𝟏)) ∑_(𝒊=𝟏)^𝒎𝒊▒(𝒚𝒌𝒊/𝒑𝒌𝒊−𝒕 ̂𝒚𝟏,𝒑) ^𝟐

𝑉 ̂𝑎𝑟𝑃𝑃𝑇(𝑡 ̂𝑦1,𝑝)=1/(4(4−1)) (28.236/0.15004512−189.9017)^2+…
(11.549/0.06085615−1899017)^2=7.305657

𝑽 ̂𝒂𝒓𝑷𝑷𝑻(𝒕 ̂𝒚𝟏,𝒑)=7.305657

𝒄𝒗𝒆=√(𝑽 ̂𝒂𝒓𝑷𝑷𝑻(𝒕 ̂𝒚𝟏,𝒑))/(𝒕 ̂𝒚𝟏,𝒑)

𝒄𝒗𝒆=√7.305657/189.9017=0.01423314

ESTRATO # 2

U Municipios YK XK PK
2 san pelayo 120,558 118,237 0.10254158
8 san antero 67,934 64,226 0.05570029
9 puerto Esc 54,144 51,164 0.04437221
10 Moñitos 52,371 48,304 0.04189186

TOTAL ESTIMADO

𝒕 ̂𝒚𝟐,𝒑=𝒕𝒙𝟐/𝒎𝟐 ∑_(𝒊=𝟐)^𝒎𝟐▒𝒚𝒌𝒊/𝒙𝒌𝒊
 𝒕 ̂𝒚𝟐,𝒑=1202.173/4 (120.558/118.237+…+52.371/48.304)=1216.426

𝒕 ̂𝒚𝟐,𝒑=1216.426

VARIANZA ESTIMADA

(█(𝑉𝑎𝑟𝑃𝑃𝑇(𝑡 ̂𝑦2,𝑝)=1/(4(4−1)) (120.558/0.10274158−1216.426)^2+…
+(52.371/0.04189186−1216.426)^2=235.0458@)) ̂

(𝒗𝒂𝒓) ̂𝑷𝑷𝑻(𝒕 ̂𝒚𝟐,𝒑)=235.0458

𝒄𝒗𝒆=√(𝑽 ̂𝒂𝒓𝑷𝑷𝑻(𝒕 ̂𝒚𝟐,𝒑) )/(𝒕 ̂𝒚𝟐,𝒑)

𝒄𝒗𝒆=√235.0458/1216.426=0.01260348

ESTRATO # 3

U MUNICIPIOS YK XK PK
3 BUENAVISTA 45,926 42,971 0.11430251
4 CANALETE 44,972 42,747 0.11370667
6 LA APARTADA 40,425 37,716 0.10032425
7 PURISIMA 35,874 34,782 0.09251984

TOTAL ESTIMADO
 𝒕 ̂𝒚𝟑,𝒑=𝒕𝒙𝟑/𝒎𝟑 ∑_(𝒊=𝟑)^𝒎𝟑▒𝒚𝒌𝒊/𝒙𝒌𝒊

𝑡 ̂𝑦3,𝑝=397.732/4 (45.926/42.971)+…+(35.874/34.782)=396.9974

𝑡 ̂𝑦3,𝑝=396.9974

VARIANZA ESTIMADA

𝑽 ̂𝒂𝒓𝑷𝑷𝑻(𝒕 ̂𝒚𝟑,𝒑)=𝟏/(𝒎(𝒎−𝟏)) ∑_(𝒊=𝟑)^𝒎𝟑▒(𝒚𝒌𝒊/𝒙𝒌𝒊−𝒕 ̂𝒚𝟑,𝒑)^𝟐

𝑉 ̂𝑎𝑟𝑃𝑃𝑇(𝑡 ̂𝑦2,𝑝)=1/(4(4−1)) (45.926/0.11430251−396.9974)^2+…+(35.874/0.09251984)^2=12.18341

𝒗 ̂𝒂𝒓𝑷𝑷𝑻(𝒕 ̂𝒚𝟑,𝒑)=12.18341

𝒄𝒗𝒆=√12.18341/396.9974=0.008792184

Ahora obtendremos el estimador de Hansen-Hurwitz , para un diseño de muesteo

estratificado del total de la poblacion de cordoba 2020, varianza estimada y c.v.e

𝒕 ̂𝒚,𝒑=∑_(𝒉=𝟏)^𝑯▒ 〖𝒕𝒙𝒉 /𝒎𝒉 ∑_(𝒊=𝟏)^𝒎𝒉▒ 〖𝒚𝒌𝒊 /𝒙𝒌𝒊=∑_(𝒉=𝟏)^𝑯▒ 〖𝒕 ̂𝒚𝒉 ,𝒑 〗〗〗

 𝒕 ̂𝒚,𝒑=189.9017+1216.426+396.9974=1.803.325

𝒕 ̂𝒚,𝒑=1.803.325

𝒕 ̂𝒚,𝒑)=∑_(𝒉=𝟏)^𝑯▒ 〖𝟏 /(𝒎𝒉(𝒎𝒉−𝟏)) ∑_𝒊𝟎𝟏^𝒎𝒉▒ 〖 (𝒚𝒌𝒊/𝒑𝒌𝒊−𝒕 ̂𝒚𝒉,𝒑)^𝟐=∑_(𝒉=𝟏)^𝑯▒ 〖𝑽 ̂𝒂𝒓𝑷𝑷𝑻 (𝒕 ̂𝒚𝒉,𝒑) 〗〗〗

𝑽 ̂𝒂𝒓𝑬𝑷𝑷𝑻(𝒕 ̂𝒚,𝒑)=7.305657+235.0458+12.18341=2545348

𝑽 ̂𝒂𝒓𝑬𝑷𝑷𝑻(𝒕 ̂𝐲,𝐩)=2545348

𝒄𝒗𝒆=√(𝑽 ̂𝒂𝒓𝑬𝑷𝑷𝑻(𝒕 ̂𝒚,𝒑))/(𝒕 ̂𝒚,𝒑)

𝒄𝒗𝒆=√2545348/1803325=0.000884707

𝒄𝒗𝒆=0.000884707

Se puede decir que la poblacion para el departamento de cordoba para el año 2020 bajo un
muestreo estratidicado, de estima que sera de 1.803.325 habitantes con un c.v.e de
0.000884707
𝟏 −𝒚_𝟒/𝝅_𝟒 )^𝟐 〗 ^
𝟏 −𝒚_𝟒/𝝅_𝟒 )^𝟐 〗 ^
𝑷𝑷𝑻 (𝒕 ̂𝒚𝒉,𝒑) 〗〗〗