Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• Se fija a priori la probabilidad de inclusión de todos los individuos, la cual permanece constante
para todo el universo. Es decir, 𝜋𝑘 = 𝜋 para todo 𝑘 ∈ 𝑈.
• Un típico ejemplo de este diseño seria la revisión de equipajes de pasajeros por la aduana en
un aeropuerto; se fija la probabilidad de inclusión para cada pasajero y mediante cierto
mecanismo de selección se selecciona la muestra, conforme las personas van ingresando al
sitio.
• Nótese que el tamaño de muestra 𝑛(𝑆) es aleatorio porque una muestra realizada mediante
este mecanismo de selección puede incluir a todos los pasajeros o a ningún pasajero de la
población.
Proposición: Definiendo a 𝑄𝑟 como el soporte que contiene a todas las posibles muestras
de tamaño 𝑟, existen 𝑁𝑟 muestras pertenecientes a𝑄𝑟 .
𝑁
𝐶𝑎𝑟𝑑 𝑄𝑟 =
𝑟
Sin embargo, al definir 𝑄 como el soporte general de todas las posibles muestras de
tamaños entre 𝑟 = 0 y 𝑟 = 𝑁, se tiene que
𝑁
𝑁
𝐶𝑎𝑟𝑑 𝑄 = = 2𝑁
𝑟
1
Diseño Bernoulli
• El muestreo aleatorio simple (MAS) puede ser visto como la forma más básica de selección de
muestras.
• A diferencia del diseño de muestreo Bernoulli, el diseño de MAS sin reemplazo tiene la
característica de ser de tamaño fijo.
• Este diseño provee probabilidades de selección idénticas para cada una de las posibles
muestras pertenecientes al soporte 𝑄.
• Supone la existencia de homogeneidad en los valores poblacionales de la característica de
interés.
• Una MAS sin reemplazo de tamaño 𝑛 se elige de modo que cada posible muestra realizada de
tamaño 𝑛 tenga la misma probabilidad de ser seleccionada.
• Este diseño de muestreo no es muy común en la práctica, pero puede ser utilizado como un
método final de selección de unidades primarias.
Muestreo Aleatorio Simple (MAS)
Definición: Un diseño de muestreo se dice aleatorio simple sin reemplazo si todas las
posibles muestras de tamaño 𝑛 tienen la misma probabilidad de ser seleccionadas.
1
𝑁 𝑠𝑖 𝑠 = 𝑛
𝑝 𝑠 =
𝑛
0 𝑐. 𝑜. 𝑐.
Proposición: Definiendo a 𝑄 como el soporte que contiene a todas las posibles muestras
de tamaño 𝑛, existen 𝑁
𝑛
muestras pertenecientes a 𝑄.
𝑁
𝐶𝑎𝑟𝑑 𝑄 =
𝑛
Algoritmos de Selección
Durante muchos años, la teoría de muestreo se centro en la parte de la extracción de
muestras aleatorias, más que en la construcción de los estimadores. Se presentan dos
métodos de selección de una muestra de tamaño 𝑛 de una población de tamaño 𝑁. El
primero es más simple, sin embargo, Tillé (2006) afirma que este método es ineficiente
computacionalmente. El segundo método basado en un algoritmo secuencial, permite la
selección de la muestra con una sola revisión del marco de muestreo.
Dado que este algoritmo se detiene cuando 𝑛 = 𝑛𝑘 , resulta muy eficiente porque asegura
una MAS y en algunas ocasiones no se requiere recorrer todo el marco de muestreo.
Para encontrar la precisión mínima del mismo del intervalo . Esta se expresa como:
𝑃 𝑦𝑆 − 𝑌𝑈 ≤ 𝑐 = 1 − 𝛼
la cantidad a minimizar es 𝑐
𝑛 𝑆𝑦𝑈
𝑐 = 𝑍1−𝛼 1−
2 𝑁 𝑛
y despejando 𝑛, se tiene:
𝑛0
𝑛≥ 𝑛
1+ 0
𝑁
𝑍1−𝛼 𝑆𝑦𝑈 2
2
Donde 𝑛0 = 𝑐 La desigualdad se tiene porque cuando se aumenta el tamaño de
muestra, 𝑐 decrece su valor.
Estimador HT y MAS
Lohr (2000) considera tres escenarios para realizar una estimación previa de los
parámetros de interés
• Realizar una prueba piloto. En algunas ocasiones, este método además de servir para
estimar las cantidades necesarias para establecer el tamaño de muestra, sirve para
confrontar y calibrar el instrumento de medición (un cuestionario o un instrumento)
• Utilizar información a priori de estudios anteriores. Si esto es así, existen referencias
bibliográficas disponibles, en donde se pueden hallar estimaciones de la varianza
poblacional o del error estándar. Esta ultima medida tiende a ser más estable contra el
tiempo o posición geográfica.
• Estimar la varianza ajustando una distribución teórica a la característica de interés.
Identificar distribución apropiada permite hacer uso de sus propiedades para obtener
una estimación más realista de la varianza. Cuando el desconocimiento es absoluto, se
recomienda utilizar la distribución uniforme. Wu (2003) afirma que las características de
interés en poblaciones económicas son sesgadas a la derecha y tienden a ser
modeladas mediante distribuciones como la Gamma o la Chi cuadrado.