Ajacin optima de tamaos de muestra o n en muestreo aleatorio estraticado v programacin matemtica a o a

Alfonso Snchez1 a
asanchez@ut.edu.co

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Leonardo Solanilla1
leonsolc@ut.edu.co.

Jairo Alfonso Clavijo1

jaclavij@ut.edu.co

Alex Zambrano2
alexjzc@gmail.com 1 Profesor 2 Profesor

asociado, Universidad del Tolima

catedrtico, Universidad del Tolima a

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Tal como lo seala Arthanari & Dodge (1981, pp.216) en n macroeconom y microeconom se necesita establecer a a informacin a travs de encuestas, enumeracin de individuos, o e o . . . , etc. La teor del muestreo ayuda a la seleccin de muestras de una a o poblacin segn ciertos mecanismos probabil o u sticos. Lo ms a simple es asignar igual probabilidad a cada unidad de la poblacin en la muestra (Muestreo Aleatorio Simple o M.A.S.). o Se asocia con o sin reemplazo. Otra forma simple es asignar probabilidades distintas con base en algn otro criterio en una u medida de tamao (Probabilidad Proporcional al Tamao o n n P.P.T.). Dentro del diseo de muestreo se consideran diversas maneras n de seleccionar unidades. En este trabajo se mostrar una a manera diferente de calcular el tamao de muestra dentro de n un muestreo aleatorio estraticado, usando para ello un criterio de optimizacin, lo que lo sita dentro del campo de la o u programacin matemtica. o a

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Problema
El problema desde el punto de vista de la programacin o matemtica puede plantearse como: a m n s. a. Costo de Encuesta. La perdida de precisin quede dentro de ciertos l o mites.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Una formulacin equivalente del problema 1 es la siguiente: o m La perdida de precisin. n o s. a. El costo se acomode a un presupuesto.

El anterior es un problema concreto de Ajacin Optima de o Tama os de Muestra en M.A.E. n

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Sea U = {U1 , U2 , . . . , UL } una poblacin particionada en o subpoblaciones o estratos. Una caracter stica de la poblacin se o inere a partir de muestras de cada uno de los estratos. Sea Ni el nmero de unidades del estrato i-simo y u e L Ni = N donde L es el nmero de estratos, N es el u i=1 nmero de unidades en la poblacin, mientras que ni el tamao u o n de la muestra del i-simo estrato. Se asume que las muestras se e toman independientemente en cada estrato. El problema de ajacin ptima es determinar los ni , el o o objetivo es minimizar la varianza (ganar precisin) del o estimador de la caracter stica bajo estudio, la restriccin es el o nmero de unidades muestrales tomadas con el presupuesto u disponible.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Sea y est el estimador insesgado de la media poblacional Y , de la caracter stica en estudio, dado por y est = 1 N
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ni y i ,
i=1

donde y i el estimador insesgado de la media Y i (en el estrato i-simo), esto es, e yi = Sea V (y est ) = anterior donde
1 N2 L i=1

1 ni

yih ,
h=1

Ni2 V

(y i ) la varianza del estimador 1 1 ni Ni

V (y i ) =

1 Ni 1

Ni

h=1

yih Y i

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Problema
El problema 1 se puede formular como:
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

m n

V (y est ) =
i=1 L

2 Wi2 Si xi

(Funcin Objetivo) o

s. a.
i=1

ni = n

(Funcin Lineal) o

(R1) (R2) y xi =
1 ni

ni Z+ , 1 ni Ni , 1 i L donde Wi =
Ni N , 2 Si = 1 Ni 1 Ni h=1

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

yih Y i

1 Ni .

La funcin objetivo no es lineal, si olvidamos (R2) podemos o usar Multiplicadores de Lagrange.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Sea
L L 2 Wi2 Si xi = i=1 L L i=1

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

V (y i ) = =
i=1

ai xi
L

ai ai = ni i=1 Ni

i=1

ai + constante ni

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

2 donde ai = Wi2 Si . Reescribiendo el problema 2 tenemos: L

m n
i=1 L

ai =Z ni ni = n

(Funcin Objetivo) o

s.a.
i=1

(R1) (R2)

ni Z+ , 1 ni Ni , 1 i L

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Minimizar la V (y est ) es equivalente a minimizar

L

f (n1 , n2 , . . . , nL ) =
i=1

ai ni

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

con restriccin g(n1 , n2 , . . . , nL ) = ( o Por condicin de lagrange o f g =

L i=1

ni n) = 0. 1 = 0,

a2 aL a1 2 , n2 , . . . , n2 n1 2 L

bajo la restriccin g(n1 , n2 , . . . , nL ) = 0 o

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Tenemos: a1 = 0 n2 1 a2 = 0 2 n2 . . . aL = 0 2 nL n1 + n2 + . . . + nL = n Considerando negativo y solucionando las ecuaciones tenemos: ai n ai ni = = L ak

k=1

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Se puede presentar los siguientes problemas: n Z+ , entonces, se redondea. / ni > Ni , entonces, aqu se tendr que redistribuir, ya a que se presenta un sobremuestreo. ni < 1, entonces, tendr amos que tomar como m nimo una unidad en el estrato correspondiente.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Se puede presentar los siguientes problemas: n Z+ , entonces, se redondea. / ni > Ni , entonces, aqu se tendr que redistribuir, ya a que se presenta un sobremuestreo. ni < 1, entonces, tendr amos que tomar como m nimo una unidad en el estrato correspondiente.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Se puede presentar los siguientes problemas: n Z+ , entonces, se redondea. / ni > Ni , entonces, aqu se tendr que redistribuir, ya a que se presenta un sobremuestreo. ni < 1, entonces, tendr amos que tomar como m nimo una unidad en el estrato correspondiente.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Es util suponer que los ai > 0, 1 i L (es razonable). De este modo, la funcin objetivo Z es estrictamente convexa. o Tomemos por facilidad L = 2 estratos.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Es util suponer que los ai > 0, 1 i L (es razonable). De este modo, la funcin objetivo Z es estrictamente convexa. o Tomemos por facilidad L = 2 estratos.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

a1 a2 + =Z n1 n2 s.a. n1 + n2 = n m n ni Z ,
+

1 ni Ni ,

i = 1, 2

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Es util suponer que los ai > 0, 1 i L (es razonable). De este modo, la funcin objetivo Z es estrictamente convexa. o Tomemos por facilidad L = 2 estratos.
n2

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

N2

n
n1 + n2

a1 n1

a2 n2

=Z

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

1 1 n N1 n1

Figura: Regin factible y funcin objetivo cuando N1 y N2 son o o ambos ms grandes que n. Fuente: (Arthanari & Dodge 1981) a

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Es util suponer que los ai > 0, 1 i L (es razonable). De este modo, la funcin objetivo Z es estrictamente convexa. o Tomemos por facilidad L = 2 estratos.
n2

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

N2 n
n1
Ajacin o ptima para el o M.A.E. univariado
a1 n1

n2

a2 n2

=Z

1 1 N1 n 1 n n1

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Figura: Regin factible y funcin objetivo cuando unicamente o o N2 es ms grande que n. Fuente: (Arthanari & Dodge 1981) a

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

El mtodo knapsack (que podr e amos traducir como mtodo del e morral) es un mtodo iterativo de programacin matemtica e o a entera, el cual puede ser usado para resolver una funcin o objetivo no lineal con restricciones lineales como se presenta en el problema 2. Encontrar sucesivamente f (k, r), k maneja el estrato, es decir, 1 k L. r maneja el tamao de la muestra en el estrato, n 0 r Ni , r Z+ {0}. Paso 1: f (1, r) = Solucin: o f (1, r) =
a1 r

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

m n s.a

a1 n1

n1 = r, 1 n1 N1 , n1 Z 1 r N1 r < 1 r > N1 o

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Paso 2: f (2, r) = m n s.a

a1 n1

a2 n2

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

n1 + n2 = r, 1 ni Ni , i = 1, 2, ni Z+

Si jamos n2 , la funcin anterior se reduce a: o a2 + n2 m n s.a

a1 n1

a2 + f (1, r n2 ) n2 Pero como n2 no es jo f (2, r) =

n1 = r n2 , 1 n1 N1 , n1 Z+

n2 =1,...,n

m n

a2 + f (1, r n2 ) n2

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Paso 3: f (3, r) = m n s.a

a1 n1

a2 n2

a3 n3

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o

n1 + n2 + n3 = r, 1 ni Ni , i = 1, 2, 3, ni Z+

Si jamos n3 , la funcin anterior se reduce a: o a3 + n3 m n s.a

a1 n1

a2 n2

a3 + f (2, r n3 ) n3

optima n1 + n2 = r n3 , 1 n1 N1 , 1 n2 N2 , n1 , n2 Z+ para el M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Pero como n3 no es jo f (3, r) = m n a3 + f (2, r n3 ) n3

n3 =1,...,n

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

etc. Si conocemos f (k, r) entonces: f (k + 1, r) = m n ak+1 + f (k, r nk+1 ) nk+1

nk+1 =1,...,n

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

Paso nal (L-sima): Ubicamos el valor m e nimo de f (L, r), el cual nos da nL . Del anterior (L-1)-simo el valor e f (L 1, n nL ) nos da el nL1 . El (L-2)-simo de e f (L 2, n nL nL1 ) nos da nL2 . Etc; as hasta que nalmente encontramos el ptimo para n1 . o

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

La siguiente tabla tomada de Cochran (1977), muestra el nmero de habitantes (miles) de 64 grandes ciudades en los u E.U. en el ao 1930. Las ciudades estn agrupadas en tres n a estratos. Cuadro: Nmeros de habitantes (en miles), para el ao 1930, en u n 64 grandes ciudades de los E.U (por estrato) 1 90.0 82.2 78.1 80.5 67.0 123.8 57.3 63.4 2 36.4 31.7 32.8 30.2 28.8 29.1 25.3 29.1 3 19.5 18.3 16.3 20.1 14.7 16.4 14.3 16.9

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

57.8 48.7 44.2 45.1 45.9 46.4 40.0 36.6

30.8 27.2 28.4 25.5 27.0 21.4 26.0 20.9

25.3 23.2 26.0 29.2

13.9 17.0 15.0 14.3 11.3 11.5 12.3 15.4

14.0 11.9 13.0 12.7 10.0 10.7 11.4 11.1

16.3 11.6 12.2 13.4

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Mtodo de multiplicadores de lagrange e

Los ni se calculan como sigue para una restriccin de 24 o muestras en total.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano

Estrato i 1 2 3 Total

Ni 16 20 28 64

Yi 1007.0 554.3 395.5

Yi 62.94 27.71 14.13

2 Si

Wi 0.25 0.31 0.44

ai 33.65 1.39 1.40

ni 17.05 3.47 3.48

Introduccin o Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

538.43 14.24 7.33

Las soluciones redondeadas son 17, 3, 4. Hay un problema de sobre muestreo.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Aplicacin del mtodo knapsack o e

Primero se calculan los f (1, r), para r = n1 factibles. Luego calculamos f (2, r) y f (3, r) as Cuadro: f (k, r) para k = 1, 2, 3 y r = 1, . . . , 24
r 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 f (1, r) 33.65 16.83 11.22 8.41 6.73 5.61 4.81 4.21 3.74 3.37 3.06 2.80 2.59 2.40 2.24 2.10 n1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 f (2, r) 35.04 18.22 12.61 9.80 8.12 7.00 6.20 5.50 4.90 4.43 4.06 3.75 3.50 3.27 3.05 2.87 2.71 2.57 2.45 2.38 2.33 2.30 2.28 n2 1 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 4 5 6 7 8 f (3, r) 36.44 19.62 14.01 11.21 9.52 8.40 7.60 6.90 6.20 5.60 5.14 4.76 4.46 4.20 3.97 3.74 3.52 3.33 3.17 3.03 2.92 2.80 n3

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 3 3 4

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Comparando la solucin obtenida estimamos la varianza de o algunos mtodos e Cuadro: Comparacin de varianzas o Asignacin o Mtodo knapsack e Asignacin mediante lagrange o (M.A.S.) Proporcional (n1 , n2 , n3 ) (16,4,4) (17,3,4) (8,8,8) (6,8,10) V (y est ) 0.5841 0.5627 2.3410 3.7127

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Supongamos que el costo de muestreo por unidad es diferente en los distintos estratos. Sea ci el costo de una muestra en el i-simo estrato. Sea C el presupuesto total disponible. e
L

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

m Z = n
i=1 L

ai ni

s. a.
i=1

ci ni = C ni Z , 1 ni Ni , 1 i L.
+

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Problema
Similarmente se puede plantear minimizando el costo manteniendo la prdida de precisin dentro de ciertos e o l mites, es decir:
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

m n

Z=
i=1 L

ci n i = C ai v ni

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

s. a.
i=1

ni Z+ , 1 ni Ni , 1 i L.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Suponemos p caracter sticas en estudio. Sea Yj la j-sima e caracter stica estudiada, donde 1 j p, L nmeros de u estratos, Ni nmeros de unidades en el i-simo estrato, donde u e L u u 1 i L, i=1 Ni = N nmero total de unidades, ni nmero de unidades elegidas en el i-simo estrato, 1 i L. e Los datos tienen la siguiente forma yijh , donde i es el estrato, j es la observacin de la caracter o stica Yj , h es la unidad. Este dato se lee h-sima unidad en la j-sima caracter e e stica en el i-simo estrato. e Sea y ij el estimador insesgado de Y ij , tal que, y ij 1 = ni
ni

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

yijh
h=1

As el estimador insesgado de Y j es: y i (est) = 1 N

L

Ni y ij ,
i=1

1jp

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Tal como antes se puede calcular la varianza para cada caracter stica:
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Vj = V (y ij (est)) =
i=1 N

2 Wi2 Sij xi ,

i 1 1 2 2 con Wi = Ni ; Sij = Ni1 h=1 (yijh Y ij ) , xi = ni Ni . N 1 Sea Ci > 0 el costo del muestreo de las p caracter sticas en el i-simo estrato, 1 i L, donde el costo total ser e a:

Z=
i=1

Ci ni

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Problema
El problema de asignacin puede plantearse como: o
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

m n
i=1 L

C i ni

(Funcin Objetivo Lineal) o

s. a.
i=1

aij xi vj , 1 j p.

(Restriccin No Lineal) o

0 xi 1

1 , 1 i L, Ni 1 n i Ni , n i Z

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

2 donde aij = Wi2 Sij (aij , C > 0) y vj es el error permitido en la j-sima caracter e stica, adems es lineal. a

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Problema
Introduciendo una nueva variable Xi = el problema anterior como:
L 1 ni ,

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

podemos reescribir

m n
i=1 L

Ci Xi

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

(Funcin Objetivo No Lineal) o

s. a.
i=1

aij Xi bj ,

1jp 1iL

(Restriccin Lineal) o

1 Xi 1, Ni bj = v j +
L i=1

1 aij Ni , con ni Z.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Observaciones al problema 5. Z es una funcin estrictamente convexa por que o estrictamente convexo para Ci > 0 y 1 i L.
Ci Xi

es

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Las restricciones del problema 5 proporcionan una regin o factible convexa acotada, formada por inecuaciones lineales. La solucin al problema de optimizacin ocurre en la o o frontera de este convexo.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Observaciones al problema 5. Z es una funcin estrictamente convexa por que o estrictamente convexo para Ci > 0 y 1 i L.
Ci Xi

es

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Las restricciones del problema 5 proporcionan una regin o factible convexa acotada, formada por inecuaciones lineales. La solucin al problema de optimizacin ocurre en la o o frontera de este convexo.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Observaciones al problema 5. Z es una funcin estrictamente convexa por que o estrictamente convexo para Ci > 0 y 1 i L.
Ci Xi

es

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Las restricciones del problema 5 proporcionan una regin o factible convexa acotada, formada por inecuaciones lineales. La solucin al problema de optimizacin ocurre en la o o frontera de este convexo.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Observaciones al problema 5. Z es una funcin estrictamente convexa por que o estrictamente convexo para Ci > 0 y 1 i L.
Ci Xi

es

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Las restricciones del problema 5 proporcionan una regin o factible convexa acotada, formada por inecuaciones lineales. La solucin al problema de optimizacin ocurre en la o o frontera de este convexo. Entre algunos mtodos para solucionar el problema 5 tenemos: e Simplex convexo Direccin factible o + errror Proyeccin del gradiente o Linealizacin o Estos mtodos se utilizan con redondeo, y sin redondear se e utiliza branch bound, el cual es la generalizacin del algoritmo o knapsack para una sola caracter stica.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Consideremos a L =# Estratos= 2

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano

Problema
C1 C2 + X1 X2 a11 X1 + a12 X2 b1 a21 X1 + a22 X2 b2 1 Xi 1 i = 1, 2 Ni Con
1 1 X1 , X2

m n s. a.

Z(X1 , X2 ) =

(Funcin Convexa) o (1) (2)

Introduccin o Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Z para X1 , X2 > 0

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

X2

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o
a1
1X 1

X1 a 21 +a X 22
2

b2
C1 X1

C2 X2

a1

1
1 N2 1 N1

2X 2

Ajacin o ptima para el o M.A.E. univariado

b1
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

X1

Figura: Funcin objetivo y regin factible. o o

Fuente: (Arthanari & Dodge 1981)

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Para saber cual es la direccin de acercamiento, para ello, se o tienen las siguientes observaciones sobre las hiprbolas. e C1 C2 + X1 X2 C1 X2 + C2 X1 = X1 X2 C1 C2 C1 C2 (X1 )(X2 )= (Hiprbola) e Z Z Z2 Z= Lo que nos muestra una hiprbola para cada Z. Es ms esta e a C1 C2 centrada en ( Z , Z ) y es rectangular (no necesariamente equiltero). Al aumentar Z el centro se acerca al origen. a

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Cmo se mueve el centro de la hiprbola cuando o e variamos Z = 0? Si utilizamos el siguiente lema tenemos una forma de acercarnos.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Lema (De la Geometr Anal a tica)

La rama positiva de la hiprbola e 1 X1 C1 X2 C2 = CZC2 para Z R jo, tiene 2 Z Z vrtice e C1 + C1 C2 C2 + C1 C2 , Z Z
1 2

Cuando Z var el vrtice var sobre una recta que pasa a e a por el origen ya que 2 = C2 +C1 C2 = cte. La pendiente 1 C1 + C1 C2 de esta recta es diferente a la anterior por tanto va en otra direccin. o

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Para obtener la asignacin ptima debemos encontrar la o o hiprbola regular para algn valor Z, tal que, toque el limite de e u la regin factible. Mirar gura 2. En general cuando tenemos o L L-estratos y la restriccin i=1 aij Xi = bj , para 1 j p, o tenemos lo siguiente,

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o

Teorema
El punto de contacto del hiperplano
L

ai Xi = b
i=1 L

(ai , b > 0),

Ajacin o ptima para el o M.A.E. univariado

Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

C con la funcin objetivo Z = i=1 Xi , para cada Z jo, es o i L X = (X1 , . . . , XL ) R , donde b Ci ai Xi = L ai Cj aj j=1

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Demostracin. o
Sea
L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

f (X1 , . . . , XL ) =
i=1

Ci , Xi

g(X1 , . . . , Xl ) =
i=1

ai Xi b = 0

Mediante el mtodo de Lagrange tenemos la condicin e o f g = 0 para g = 0 y tomando la i-sima componente e tenemos, Ci 2 + ai = 0 1 i L, Xi despejando Xi y despejando de la restriccin (con o negativo), tenemos, Ci b Ci ai = . Xi = L L Ci ai ai ai Cj aj
i=1 j=1

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Lo primero que se intenta: Encontrar los puntos de contacto de Z con los p-hiperplanos. Escoger el punto de contacto que arroja el valor m nimo Z. Vericar que Xj que minimiza Z es factible. ni =
1 Xi ,

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

redondear si es necesario.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Lo primero que se intenta: Encontrar los puntos de contacto de Z con los p-hiperplanos. Escoger el punto de contacto que arroja el valor m nimo Z. Vericar que Xj que minimiza Z es factible. ni =
1 Xi ,

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

redondear si es necesario.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Lo primero que se intenta: Encontrar los puntos de contacto de Z con los p-hiperplanos. Escoger el punto de contacto que arroja el valor m nimo Z. Vericar que Xj que minimiza Z es factible. ni =
1 Xi ,

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

redondear si es necesario.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Lo primero que se intenta: Encontrar los puntos de contacto de Z con los p-hiperplanos. Escoger el punto de contacto que arroja el valor m nimo Z. Vericar que Xj que minimiza Z es factible. ni =
1 Xi ,

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

redondear si es necesario.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Lo primero que se intenta: Encontrar los puntos de contacto de Z con los p-hiperplanos. Escoger el punto de contacto que arroja el valor m nimo Z. Vericar que Xj que minimiza Z es factible. ni =
1 Xi ,

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

redondear si es necesario.

Este mtodo no es factible cuando hay muchas caracter e sticas y muchos estratos (lo cual en la realidad muy pocas veces ocurre).

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Paso 0: Eliminar los hiperplanos que introducen restricciones redundantes. Se miran los interceptos bj b1 ( a1j , . . . , aLj )

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Paso 0: Eliminar los hiperplanos que introducen restricciones redundantes. Se miran los interceptos bj b1 ( a1j , . . . , aLj )
X2
b3 a23 b2 a22

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

b1 a21

H2

H3

H1

Ajacin o ptima para el o M.A.E. multivariado

b2 a12 b1 a11 b3 a13

X1

Interpretacin o grfica a Algoritmo Mejorado

Paso 1: Sean q condiciones no redundantes. Se construye una tabla

L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

j 1 2 3 . . . q

Xj = (X1j , X2j , . . . , XLj ): Contacto X1 = (X11 , X21 , . . . , XL1 ) X2 = (X12 , X22 , . . . , XL2 ) X3 = (X13 , X23 , . . . , XL3 ) . . . Xq = (X1q , X2q , . . . , XLq )

Total nj =
i=1

1 Xji

Total n1 Total n2 Total n3 . . . Total nq

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Paso 1: Sean q condiciones no redundantes. Se construye una tabla

L

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

j 1 2 3 . . . q

Xj = (X1j , X2j , . . . , XLj ): Contacto X1 = (X11 , X21 , . . . , XL1 ) X2 = (X12 , X22 , . . . , XL2 ) X3 = (X13 , X23 , . . . , XL3 ) . . . Xq = (X1q , X2q , . . . , XLq )

Total nj =
i=1

1 Xji

Total n1 Total n2 Total n3 . . . Total nq

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a

Paso 2: Se llama j , al ndice que produce el total nj mayor. Si Xj es factible, entonces redondear y esa es la solucin. o Si Xj tiene una componente que no es factible entonces jar. Xj i = 1 Ni 1 o i: tenga el problema

Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

se elimina el estrato y se repite los pasos con las restantes.

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Conclusiones

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

1. La solucin proporcionada a la estimacin de o o muestras en M.A.E., por medio de programacin o matemtica concuerda con la solucin dada por a o Cochran. 2. El mtodo propuesto tiene limitaciones cuando se e presentan problemas de sobremuestreo, no obstante el algoritmo knapsack elimina este tipo de situaciones. 3. La tcnica de programacin matemtica no estima el e o a tamao muestral sino que aja el tamao de la n n muestra dentro de cada estrato, a travs del costo. e

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Conclusiones

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

1. La solucin proporcionada a la estimacin de o o muestras en M.A.E., por medio de programacin o matemtica concuerda con la solucin dada por a o Cochran. 2. El mtodo propuesto tiene limitaciones cuando se e presentan problemas de sobremuestreo, no obstante el algoritmo knapsack elimina este tipo de situaciones. 3. La tcnica de programacin matemtica no estima el e o a tamao muestral sino que aja el tamao de la n n muestra dentro de cada estrato, a travs del costo. e

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Conclusiones

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

1. La solucin proporcionada a la estimacin de o o muestras en M.A.E., por medio de programacin o matemtica concuerda con la solucin dada por a o Cochran. 2. El mtodo propuesto tiene limitaciones cuando se e presentan problemas de sobremuestreo, no obstante el algoritmo knapsack elimina este tipo de situaciones. 3. La tcnica de programacin matemtica no estima el e o a tamao muestral sino que aja el tamao de la n n muestra dentro de cada estrato, a travs del costo. e

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Contenido
Introduccin o Ajacin ptima para el M.A.E. univariado o o Interpretacin grca o a Mtodo de iteracin Knapsack e o Ejemplo Ajacin ptima con restriccin de presupuesto o o o Ajacin ptima para el M.A.E. multivariado o o Interpretacin grca o a Algoritmo Mejorado Conclusiones Referencias

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado

Arthanari, T. S. & Dodge, Yadolah. (1981), Mathematical Programming in Statistics, John Wiley & Sons, Inc., Canada. Cochran, W. G. (1977), Sampling Techniques, 3 edn, Wiley, New York. Collatz, L. & Wetterling W. (1975), Optimization Problems, Springer Verlag, New York. Hartly, H. O. & Rao, J. N. K. (1968), A New Estimation Theory for Sample Surveys, Biometrika 55(547). Rustagi, Jagdish S. (1994), Optimization Techniques in Statistics, Academic Press, Inc., New York. Wolfe P. (1959), The Simple Method for Quadratic Programming, Econometrica.

Ajacin de o tama os de n muestra en M.A.E. v a programacin o matemtica a Alfonso Snchez, a Leonardo Solanilla, Jairo Clavijo & Alex Zambrano Introduccin o Ajacin o ptima para el o M.A.E. univariado
Interpretacin o grfica a Mtodo de e iteracin o Knapsack Ejemplo Afijacin o optima con restriccin de o presupuesto

Ajacin o ptima para el o M.A.E. multivariado

Interpretacin o grfica a Algoritmo Mejorado