Captulo 1

Muestreo estraticado
El objetivo del dise no de encuestas por muestreo es maximizar la cantidad de
informacion para un coste dado. El muestreo aleatorio simple suele suministrar
buenas estimaciones de par ametros poblacionales a un coste bajo, pero existen
otros procedimientos de muestreo, como el muestreo estraticado, que en muchas
ocasiones incrementa la cantidad de informacion para un coste dado.
El muestreo estraticado es un dise no de muestreo probabilstico en el que
dividimos a la poblacion en subgrupos o estratos. La estraticacion puede ba-
sarse en una amplia variedad de atributos o caractersticas de la poblacion como
edad, genero, nivel socioeconomico, ocupacion, etc.
As, consideramos una poblacion heterogenea con N unidades, y en la que
la subdividimos en L subpoblaciones denominados estratos lo mas homogeneas
posibles no solapadas, atendiendo a criterios que puedan ser importantes en el
estudio, de tama nos N
1
, N
2
, . . . , N
L
. Obviamente
N
1
+N
2
+. . . +N
L
= N,
donde N es el total de individuos de la poblacion. La muestra estraticada de
tama no n se obtiene seleccionando una muestra aleatoria simple de tama no n
h
(h = 1, 2, . . . , L) de cada uno de los estratos en que se subdivide la poblacion
de forma independiente. De igual modo,
n
1
+n
2
+. . . +n
L
= n,
donde n es el tama no de la muestra que queremos seleccionar.
Podemos expresar la formacion de estratos en la poblacion y la formacion
de la muestra estraticada de la forma siguiente:
Poblacion = {u
1
, u
2
, . . . , u
N
} se divide en L estratos
_

_
u
11
u
12
. . . u
1N
1
u
21
u
22
. . . u
2N
2
. . . . . . . . . . . .
u
L1
u
L2
. . . u
LN
L
_

_
L

h=1
N
h
= N.
1
2
Seleccionamos una muestra de tama no n,
{u
1
, u
2
, . . . , u
n
} se extrae en cada estrato
_

_
u
11
u
12
. . . u
1n
1
u
21
u
22
. . . u
2n
2
. . . . . . . . . . . .
u
L1
u
L2
. . . u
Ln
L
_

_
L

h=1
n
h
= n.
Este muestreo se utiliza cuando la poblacion de estudio es muy heterogenea
ya que necesitaramos un gran esfuerzo muestral para obtener cierta precision
mientras que si la poblacion esta dividida en grupos, bloques o estratos que sean
internamente homogeneos, el esfuerzo en cada grupo sera mnimo resultando
globalmente un esfuerzo menor. Por ejemplo, si preguntamos en una facultad el
n umero medio de horas de estudio los estratos en este estudio seran los cursos.
Las razones para el uso del muestreo estraticado son las siguientes:
El muestreo estraticado puede aportar informacion mas precisa de algu-
nas subpoblaciones que varan bastante en tama no y propiedades entre si,
pero que son homogeneas dentro de si. Los estratos deberan en lo posible
estar constituidos por unidades homogeneas.
El uso adecuado del muestro estraticado puede generar ganancia en pre-
cision, pues al dividir una poblacion heterogenea en estratos homogeneos,
el muestreo en estos estratos tiene poco error debido precisamente a la
homogeneidad.
Motivaciones de tipo geograco ya que se requieren estimaciones para
ciertas areas o regiones geogracas.
Las cuestiones que plantea este tipo de muestreo son:
Que caractersticas utilizar para dividir la poblacion en estratos?
Como se identicaran los estratos?
Cuantos estratos debe haber?
Cuantas unidades seleccionar de cada estrato?
1.1. Estimadores lineales insesgados
Como comentamos en la introduccion, las unidades de la muestra se seleccio-
nan mediante muestreo aleatorio simple sin reposicion y la seleccion se realiza
de forma independiente en cada estrato. Un estimador de un parametro po-
blacional puede expresarse como suma de las estimaciones para el parametro
en los diferentes estratos mediante muestreo aleatorio simple. Consideremos el
parametro poblacional,

st
=
L

h=1
N
h

i=1
Y
hi
, (1.1)
3
que es estimado mediante un estimador del tipo

st
=
L

h=1
n
h

i=1
Y
hi

hi
. (1.2)
Vamos a calcular el valor de
hi
en la expresion (??) para que

sea un
estimador insesgado de .
Denimos la variable aleatoria
e
hi
=
_
1 si u
hi
mcon probabilidadn
h
/N
h
0 si u
hi
/ mcon probabilidad1 n
h
/N
h
Utilizando la variable aleatoria podemos expresar el estimador

dado en (??)
mediante la variable e
hi
.

st
=
L

h=1
n
h

i=1
Y
hi

hi
=
L

h=1
N
h

i=1
Y
hi

hi
e
hi
.
Calculamos la esperanza del estimador anterior,
E(

st
) = E
_
L

h=1
n
h

i=1
Y
hi

hi
_
= E
_
L

h=1
N
h

i=1
Y
hi

hi
e
hi
_
=
L

h=1
N
h

i=1
Y
hi

hi
E[e
hi
]
L

h=1
N
h

i=1
Y
hi

hi
n
h
N
h
.
Para que este estimador

st
sea insesgado,
E(

st
) =
st

L

h=1
N
h

i=1
Y
hi

hi
n
h
N
h
=
L

h=1
N
h

i=1
Y
hi
y por lo tanto

hi
=
N
h
n
h
=
1
f
h
,
donde f
h
es la fraccion de muestreo del estrato h = 1, 2, . . . , L. Vamos a aplicar
este estimador

a los estimadores del total, de la media, de la proporcion y del
total de clase.
Estimacion del total poblacional

st
= X
st
=
L

h=1
N
h

i=1
X
hi
Y
hi
= X
hi


X
st
=
L

h=1
n
h

i=1
X
hi
N
h
n
h
4
y por lo tanto

X
st
=
L

h=1
N
h
1
n
h
n
h

i=1
X
hi
.
Notando que la expresion
1
n
h
n
h

i=1
X
hi
,
corresponde a la media muestral del estrato h, o lo que es lo mismo, el estimador
de la media poblacional del estrato utilizando un muestreo aleatorio simple,
entonces

X
st
=
L

h=1
N
h

X
h
=
L

h=1

X
h
. (1.3)
El estimador del total poblacional en muestreo estraticado aleatorio es la
suma de los estimadores del total en muestreo aleatorio simple en cada estrato.
Estimacion de la media poblacional

st
= X
st
=
1
N
L

h=1
N
h

i=1
X
hi
=
L

h=1
N
h

i=1
X
hi
/N Y
hi
= X
hi
/N
Por lo tanto,

X
st
=
L

h=1
n
h

i=1
X
hi
N
N
h
n
h
=
L

h=1
N
h
N
1
n
h
n
h

i=1
X
hi
=
L

h=1
W
h

X
h
,
donde

X
h
representa la media muestral del estrato h, o lo que es lo mismo,

X
h
=
1
n
h
n
h

i=1
X
hi
.
El estimador de la media poblacional en muestreo estraticado aleatorio es
la media ponderada de los estimadores de la media en cada estrato, siendo los
coecientes de ponderacion W
h
= N
h
/N que cumplen,
L

h=1
W
h
=
L

h=1
N
h
N
=

L
h=1
N
h
N
=
N
N
= 1.
Estimacion del total de clase

st
= A
st
=
L

h=1
N
h

i=1
A
hi
A
hi
= Y
hi


A
st
=
L

h=1
n
h

i=1
A
hi
N
h
n
h
5
y por lo tanto

A
st
=
L

h=1
N
h
1
n
h
n
h

i=1
A
hi
=
L

h=1
N
h

P
h
,
donde

P
h
representa la proporcion muestral para el estrato h (h = 1, 2, . . . , L)
El estimador del total de clase en muestreo estraticado aleatorio es la suma
de los estimadores del total de clase en cada estrato.
Estimacion de la proporcion

st
= P
st
=
1
N
L

h=1
N
h

i=1
A
hi
=
L

h=1
N
h

i=1
A
hi
/N Y
hi
= A
hi
/N
Por lo tanto,

P =
L

h=1
n
h

i=1
A
hi
N
N
h
n
h
=
L

h=1
N
h
N
1
n
h
n
h

i=1
A
hi
=
L

h=1
W
h

P
h
El estimador de la proporcion poblacional en muestreo estraticado aleatorio
es la media ponderada de los estimadores de la proporcion en cada estrato, siendo
los coecientes de ponderacion W
h
= N
h
/N que cumplen,
L

h=1
W
h
=
L

h=1
N
h
N
=

L
h=1
N
h
N
=
N
N
= 1.
1.2. Varianzas de los estimadores
La varianza del estimador

X
st
, es igual a la suma de las varianzas de las
estimaciones de los totales en cada estrato, ya que el muestreo que supondremos
sin reposicion se realiza de forma independiente en los distintos estratos.
V (

X
st
) = V
_
L

h=1

X
h
_
=
L

h=1
N
2
h
(1 f
h
)
S
2
h
n
h
. (1.4)
Analogamente se obtendran las varianzas para los estimadores de la media,
el total de clase y la proporcion,
V (

X
st
) = V
_
L

h=1
W
h

X
h
_
=
L

h=1
W
2
h
(1 f
h
)
S
2
h
n
h
. (1.5)
V (

A
st
) = V
_
L

h=1

A
h
_
=
L

h=1
N
2
h
(1 f
h
)
N
h
N
h
1
P
h
Q
h
n
h
. (1.6)
6
V (

P
st
) = V
_
L

h=1
W
h

P
h
_
=
L

h=1
W
2
h
(1 f
h
)
N
h
N
h
1
P
h
Q
h
n
h
, (1.7)
donde S
2
h
es la cuasivarianza poblacional del estrato h donde
S
2
h
=
1
N
h
1
N
h

i=1
(X
hi
X
h
)
2
,
y P
h
es la proporcion de clase del estrato h
P
h
=
1
N
h
N
h

i=1
A
hi
, Q
h
= 1 P
h
.
Como en el caso del muestreo aleatorio simple, las varianzas de los estimadores
dadas en (??), (??), (??)y (??) dependen de parametros poblacionales como
son la cuasivarianza poblacional del estrato
S
2
h
=
1
N
h
1
N
h

i=1
(X
hi
X
h
)
2
,
o la proporcion de clase del estrato
P
h
=
1
N
h
N
h

i=1
P
hi
.
Como en la mayora de las ocasiones estos parametros se desconocen, se
recurren a las estimaciones de los mismos resultando

V (

X
st
) =
L

h=1
N
2
h
(1 f
h
)

S
2
h
n
h
,

V (

X
st
) =
L

h=1
W
2
h
(1 f
h
)

S
2
h
n
h
,

V (

A
st
) =
L

h=1
N
2
h
(1 f
h
)

P
h

Q
h
n
h
1
,

V (

P
st
) =
L

h=1
W
2
h
(1 f
h
)

P
h

Q
h
n
h
1
,
donde

S
2
h
es la cuasivarianza muestral correspondiente al estrato h-esimo

S
2
h
=
1
n
h
1
n
h

i=1
(X
hi


X
h
)
2
,

X
h
=
1
n
h
n
h

i=1
X
hi
,
7
y

P
h
es la proporcion muestral correspondiente al estrato h-esimo

P
h
=
1
n
h
n
h

i=1
A
hi
.
Ejemplo 1 Las granjas de una cierta region se dividen en cuatro categoras
seg un su supercie. El n umero de granjas en cada categora es 72, 37, 50 y
11. Un estudio para estimar el total de vacas productoras de leche en la regi on
produce una muestra estraticada de 28 granjas. El total de vacas productoras
de leche en estas 28 granjas viene dado en la siguiente tabla
Categora Total de vacas
Categoria I 61, 47, 44, 70, 28, 39, 51, 52, 101, 49, 54, 71
Categoria II 160, 148, 89, 139, 142, 93
Categoria III 26, 19, 21, 34, 28, 15, 20, 24
Categoria IV 17, 11
Estimar el total de vacas productoras de leche as como el error estandar del
estimador.
En este estudio se utiliza la estraticacion para clasicar la categora de las
granjas, dividiendo las granjas en 4 categoras o estratos con tama nos N
1
= 72,
N
2
= 37, N
3
= 50 y N
4
= 11. De cada uno de los estratos se selecciona una
muestra de tama nos n
1
= 12, n
2
= 6, n
3
= 8, y n
4
= 2 respectivamente. Las
fracciones de muestreo para cada uno de los estratos vienen dadas por
f
1
=
n
1
N
1
=
12
72
= 0,166, f
2
=
n
2
N
2
=
6
37
= 0,16,
f
3
=
n
3
N
3
=
8
50
= 0,16, f
4
=
n
4
N
4
= 0,18.
Las medias muestrales correspondientes a las muestras seleccionadas de cada
estrato vienen dadas por

X
1
=
1
n
1
n
1

i=1
X
1i
= 55,5833

X
2
=
1
n
2
n
2

i=1
X
2i
=
160 + 148 + 89 + 139 + 142 + 93
6
= 128,5

X
3
=
1
n
3
n
3

i=1
X
3i
=
26 + 19 + 21 + 34 + 28 + 15 + 20 + 24
8
= 23,3750

X
4
=
1
n
4
n
4

i=1
X
4i
=
17 + 11
2
= 28/2 = 14.
8
En este caso, el estimador del total de vacas productoras de leche viene dado
por:

X
st
=
L

h=1
N
h

X
h
= 7255,5833+37128,5+5023,375+1114 = 10079 vacas
Calculamos el error del estimador, para ello consideramos la varianza de dicho
estimador
V (

X
st
) =
L

h=1
N
2
h
(1 f
h
)
S
2
h
n
h
.
Como no tenemos datos sucientes para calcular S
2
h
, estimamos la varianza
anterior como

V (

X
st
) =
L

h=1
N
2
h
(1 f
h
)

S
2
h
n
h
,
siendo

S
2
h
, h = 1, 2, 3 la cuasivarianza muestral del estrato h-esimo. Utilizando
los resultados anteriores, se tiene que

S
2
1
=
1
n
1
1
n
1

i=1
(X
1i

X
1
) =
1
11
11

i=1
(X
1i
55,5833)
2
=
3860,91667
11
= 350,99

= 351

S
2
2
=
1
n
2
1
n
2

i=1
(X
1i

X
2
) =
1
5
6

i=1
(X
2i
128,5)
2
=
4485,5
5
= 8970,1

S
2
3
=
1
n
3
1
n
3

i=1
(X
3i

X
3
) =
1
7
8

i=1
(X
3i
23,375)
2
=
247,875
7
= 35,4107

S
2
4
=
1
n
4
1
n
4

i=1
(X
4i

X
4
) = (17 14)
2
+ (11 14)
2
= 18.
Por lo tanto, la estimacion de la varianza del estimador para el total de la
poblacion viene dado por

V (

X
st
) =
L

h=1
N
2
h
(1 f
h
)

S
2
h
n
h
= 309500.
Por lo tanto, el error de muestreo estimado viene dado por
((

X
st
)) = 566,3272vacas.
9
1.3. Ajacion de la muestra
Se llama ajacion de la muestra al reparto o distribucion del tama no muestral
n entre los diferentes estratos. Esto es, a la determinacion de los valores n
h
,
h = 1, 2, . . . , L que veriquen
n
1
+n
2
+. . . +n
L
= n.
Pueden establecerse muchas ajaciones o maneras de repartir la muestra entre
los estratos, pero las mas importantes son: la ajacion uniforme, la ajacion
proporcional, la ajacion de varianza minima y la ajacion optima.
1.3.1. Ajacion uniforme
Este tipo de reparto consiste en asignar el mismo numero de unidades mues-
trales a cada estrato con lo que se tomaran todos los n
h
iguales a k = n/L. Para
este tipo de ajacion, las varianzas de los estimadores vendran dadas por
V (

X
st
) =
L

h=1
N
2
h
_
1
k
N
h
_
S
2
h
k
V (

X
st
) =
L

h=1
W
2
h
_
1
k
N
h
_
S
2
h
k
V (

A
st
) =
L

h=1
N
2
h
_
1
k
N
h
_
N
h
N
h
1
P
h
Q
h
k
V (

P
st
) =
L

h=1
W
2
h
_
1
k
N
h
_
N
h
N
h
1
P
h
Q
h
k
Este tipo de ajacion da la misma importancia a todos los estratos, en cuanto
a tama no de la muestra, con lo cual favorecera a los estratos de menor tama no
y perjudicara a los grandes en cuanto a precision. Solo es conveniente en pobla-
ciones con estratos de tama no similar.
Ejemplo 2 Sea X la variable salario anual en millones de unidades moneta-
rias. Al medir la variable X sobre una poblacion de 870 personas se obtiene la
siguiente distribuci on de frecuencias.
X 2 3 4 7 10 12 16 20 25 30 35 50 60 100
n
i
20 30 60 100 150 200 120 80 50 20 18 10 8 4
Con el objeto de establecer pautas para futuras encuestas de salarios se estratica
la poblacion en 3 estratos seg un los criterios dados por 2 X 7, 10 X 25,
30 X 100. Para una muestra n = 100, realizar la ajacion uniforme.
10
La ajacion uniforme consiste en extraer de cada estrato el mismo n umero de
unidades para realizar la muestra. En este caso,
n
L
=
100
3
= 33,33...,
donde L es el total de estratos y n es el tama no muestral. Por lo tanto, una a-
jacion de este tipo consiste en extraer 33 individuos del un estrato, 33 individuos
de otro estrato y 34 del estrato restante.
1.3.2. Ajacion proporcional
Consiste en asignar a cada estrato un n umero de unidades muestrales pro-
porcional a su tama no. Las n unidades de la muestra se distribuyen proporcio-
nalmente a los tama nos de los estratos expresados en n umero de unidades. Si
el tama no muestral es proporcional al tama no del estrato, entonces existe una
constante k positiva tal que
n
h
= kN
h
, h = 1, 2, . . . , L,
y para conocer el tama no muestral es necesario conocer esa constante k. Tenemos
que:
n
h
= N
h
k =
L

h=1
n
h
=
L

h=1
N
h
k = kN = n = kN,
y por lo tanto k = n/N = f. Por lo tanto, la constante k es igual a la fraccion
de muestreo. La fraccion de muestreo en cada uno de los estratos viene dado
por
f
h
=
n
h
N
h
=
N
h
k
N
h
= k = f, h = 1, 2, . . . , L,
es decir, las fracciones de muestreo son iguales y coinciden con la fraccion global
de muestreo, siendo su valor la constante de proporcionalidad. Las ponderaciones
W
h
son iguales a
W
h
=
N
h
N
=
n
h
/k
n/k
=
n
h
n
, h = 1, 2, . . . , L.
A la vista de los anterior, los coecientes de ponderacion W
h
se obtienen ex-
clusivamente a partir de la muestra, pues para su calculo solo son necesarios
valores muestrales n
h
y n. Utilizando las igualdades anteriores, los estimadores
para la media poblacional y el total poblacional vienen dados por:

X
st
=
N

h=1
N
h

X
h
=
N

h=1
n
h
k

X
h
=
1
k
N

h=1
n
h

X
h
.

X
st
=
N

h=1
W
h

X
h
=
N

h=1
n
h
n

X
h
=
1
n
N

h=1
n
h

X
h
.
11
Para este tipo de ajacion, las varianzas de los estimadores seran:
V (

X
st
) =
L

h=1
N
2
h
(1 f
h
)
S
2
h
n
h
=
L

h=1
N
2
h
(1 k)
S
2
h
kN
h
=
1 k
k
L

h=1
N
h
S
2
h
.
V (

X
st
) =
L

h=1
W
2
h
(1 f
h
)
S
2
h
n
h
=
L

h=1
n
2
h
n
2
(1 k)
S
2
h
n
h
=
1 k
n
L

h=1
W
h
S
2
h
.
V (

A
st
) =
1 k
k
L

h=1
N
h
N
h
N
h
1
P
h
Q
h
=
1 k
k
L

h=1
N
2
h
N
h
1
P
h
Q
h
V (

P
st
) =
1 k
n
L

h=1
W
h
N
h
N
h
1
P
h
Q
h
k
=
1 k
k
L

h=1
N
2
h
/N
N
h
1
P
h
Q
h
.
Ejemplo 3 Considerando el ejemplo ??, realizar una ajacion proporcional.
100 = K 870 = K =
100
870
=
_

_
n
1
=
100
870
N
1
=
100
870
210 = 24,13

= 24
n
2
=
100
870
N
2
=
100
870
600 = 68,96

= 69
n
3
=
100
870
N
3
=
100
870
60 = 6,896

= 7
1.3.3. Ajacion de mnima varianza (o ajacion de Ney-
man)
La ajacion de mnima varianza o ajacion de Neyman consiste en determi-
nar los valores de n
h
(n umero de unidades que se extraen del estrato h-esimo
para la muestra) de forma que para un tama no de muestra jo igual a n la
varianza de los estimadores sea mnima. El desarrollo teorico para obtener la
expresion de la ajacion en cada estrato y los estimadores correspondientes se
basa en la teora de los multiplicadores de Lagrange obteniendose que el el
n umero de unidades que se extraen del estrato h-esimo es igual a
n
h
= n
N
h
S
h
L

h=1
N
h
S
h
, h = 1, 2, . . . , L, (1.8)
donde S
h
es la cuasivarianza poblacional correspondiente al estrato h-esimo y
N
h
es el tama no poblacional correspondiente al estrato h-esimo. Otra expresion
para (??) viene dada por
n
h
= n
N
h
S
h

L
h=1
N
h
S
h
= n
W
h
S
h

L
h=1
W
h
S
h
, h = 1, 2, . . . , L. (1.9)
12
Vemos que los valores de n
h
son proporcionales a los productos N
h
S
h
y en el
supuesto de que S
h
= S, h = 1, 2, . . . , L esta ajacion de mnima varianza
coincidira con la proporcional como vemos a continuacion.
S
h
= S n
h
= n
N
h
S
h

L
h=1
N
h
S
h
=
nN
h
N
= kN
h
, conk =
n
N
.
La utilidad de esta ajacion es mayor si hay grandes diferencias en la variabili-
dad de los estratos. En otros casos, la mayor sencillez y autoponderacion de la
ajacion proporcional hacen preferible el empleo de esta.
El valor de la varianza del estimador del total y de la media vienen dados
por:
V (

X
st
) =
1
n
_
L

h=1
W
h
S
h
_
2

1
N
L

h=1
W
h
S
2
h
V (

P
st
) =
1
n
_
L

h=1
W
h
_
P
h
Q
h
N
h
N
h
1
_
2

1
N
L

h=1
W
h
P
h
Q
h
N
h
N
h
1
V (

X
st
) =
1
n
_
L

h=1
N
h
S
h
_
2

1
N
L

h=1
N
h
S
2
h
V (

A
st
) =
1
n
_
L

h=1
N
h
_
P
h
Q
h
N
h
N
h
1
_
2

1
N
L

h=1
N
h
P
h
Q
h
N
h
N
h
1
Ejemplo 4 Considerando el Ejemplo ??, realizar una ajacion de Neyman.
Como hemos comentado anteriormente, la asignacion para cada muestra viene
dado por:
n
h
= n
N
h
S
h

L
h=1
N
h
S
h
.
Primero vamos a calcular las cuasivarianzas poblacionales para cada uno de los
estratos. Para el estrato poblacional 1,
X n
i
n
i
x
i
2 20 40
3 30 90
4 60 240
7 100 700
La media poblacional en el estrato 1 viene dada por

X
1
=
40 + 90 + 240 + 700
210
= 5,09,
y por lo tanto la cuasi-varianza poblacional para dicho estrato viene dado por:
S
2
1
=
1
209
_
(2 5,09)
2
20 + (3 5,09)
2
30 + (4 5,09)
2
60 + (7 5,09)
2
100

= 3,6273.
13
Para el segundo estrato, se tiene que
X n
i
n
i
x
i
10 150 1500
12 200 2400
16 120 1920
20 80 1600
25 50 1250
La media poblacional en el estrato 2 viene dada por

X
2
=
1500 + 2400 + 1920 + 1600 + 1250
600
= 14,45,
y por lo tanto la cuasi-varianza poblacional para dicho estrato viene dado por:
S
2
2
= 20,8493.
Finalmente, para el tercer estrato,
X n
i
n
i
x
i
30 20 600
35 18 630
50 10 500
60 8 480
100 4 400
La media poblacional en el estrato 3 viene dada por

X
3
=
600 + 630 + 500 + 480 + 400
60
= 43,5,
y por lo tanto la cuasi-varianza poblacional para dicho estrato viene dado por:
S
2
3
= 344,3220.
De este modo, se tiene que
S
1
=
_
(S
2
1
) = 1,9045, S
2
=
_
(S
2
2
) = 4,5661, S
3
=
_
(S
2
3
) = 18,5559,
N
1
S
1
+N
2
S
2
+N
2
S
3
= 1,9045 210 + 4,5661 600 + 18,5559 60 = 3576,8.
Calculamos los tama nos muestrales
n
1
= n
N
1
S
1
N
1
S
1
+N
2
S
2
+N
3
S
3
= 100
399,9450
4253
= 9,4038

= 9.
n
2
= n
N
2
S
2
N
1
S
1
+N
2
S
2
+N
3
S
3
= 100
2739,66
4253
= 64,4181

= 65.
n
3
= n
N
3
S
3
N
1
S
1
+N
2
S
2
+N
3
S
3
= 100
1113,4
4253
= 26,1218

= 26.
14
1.3.4. Ajacion optima
La ajacion optima consiste en determinar los valores de n
h
(n umero de
unidades que se extraen del estrato h-esimo para la muestra) de forma que para
un coste jo C la varianza de los estimadores sea mnima. El coste jo C sera la
suma de los costes derivados de la seleccion de las unidades muestrales de los
estratos, es decir, si C
h
es el coste por unidad de muestreo en el estrato h,
el coste de seleccion de las n
h
unidades muestrales en ese estrato sera C
h
n
h
.
Sumando los costes C
h
n
h
para los L estratos tenemos el coste total de seleccion
de la muestra estraticada.
Como en el apartado anterior, la expresion n
h
se obtiene utilizando los mul-
tiplicadores de Lagrange y vienen dados por:
n
h
= n
N
h
S
h
/

c
h
L

h=1
N
h
S
h
/

c
h
, h = 1, 2, . . . , L. (1.10)
Vemos que los valores de n
h
son proporcionales a los productos N
h
S
h
/

C
h
y en el supuesto de que C
h
= K, h = 1, 2, . . . , L (coste constante en todos
los estratos) la ajacion optima coincide con la de mnima varianza y si ademas
S
h
= S, h = 1, 2, . . . , L la ajacion optima coincidira con la de mnima varianza
y con la proporcional.
Bajo este tipo de ajacion, las varianzas de los estimadores de la media
poblacional, total poblacional, proporcion de clase y total de clase vienen dados
por
V (

X
st
) =
1
n
_
L

h=1
W
h
S
h
/
_
C
h
__
L

h=1
W
h
S
h
_
C
h
_

1
N
L

h=1
W
h
S
2
h
V (

P
st
) =
1
n
_
L

h=1
W
h
_
P
h
Q
h
N
h
N
h
1
/
_
C
h
__
L

h=1
W
h
_
P
h
Q
h
N
h
N
h
1
_
C
h
_

1
N
L

h=1
W
h
P
h
Q
h
N
h
N
h
1
V (

X
st
) =
1
n
_
L

h=1
N
h
S
h
/
_
C
h
__
L

h=1
N
h
S
h
_
C
h
_

1
N
L

h=1
N
h
S
2
h
V (

A
st
) =
1
n
_
L

h=1
N
h
_
P
h
Q
h
N
h
N
h
1
/
_
C
h
__
L

h=1
N
h
_
P
h
Q
h
N
h
N
h
1
_
C
h
_

1
N
L

h=1
N
h
P
h
Q
h
N
h
N
h
1
Ejemplo 5 Para el ejemplo , realizar la ajacion optima siendo los costes por
unidad en cada estrato C
1
= 1, C
2
= 16 y C
3
= 25.
15
En este caso, se tiene que

C
1
= 1,

C
2
= 4 y

C
3
= 5 y por lo tanto
n
1
= n
N
1
S
1
/

C
1
3

h=1
N
h
S
h
/

c
h
= 100
399,45
1307,0358
= 30,5615

= 31.
n
2
= n
N
2
S
2
/

C
2
3

h=1
N
h
S
h
/

c
h
= 100
684,915
1307,0358
= 52,4022

= 52.
n
3
= n
N
3
S
3
/

C
3
3

h=1
N
h
S
h
/

c
h
= 100
222,6708
1307,0358
= 17,0358

= 17.
1.4. Comparaci on de eciencias seg un los distin-
tos tipos de ajacion
El estudio comparativo de la conveniencia de los distintos tipos de ajacion
en terminos de su eciencia se mide a traves del error de muestreo o lo que es
lo mismo, a traves de la varianza. Por lo tanto sera mas eciente aquel tipo de
ajacion que presente menos varianza.
Los siguientes puntos se exponen sin demostracion.
El muestreo estraticado con ajacion proporcional es mas preciso que el
muestreo aleatorio simple, produciendose la igualdad de precisiones cuan-
do las medias de los estratos son todas iguales. Por lo tanto la ganancia en
precision del muestreo estraticado respecto del aleatorio simple sera ma-
yor cuanto mas distintas entre s sean las medias de los estratos, es decir,
para que el muestreo estraticado sea preciso es conveniente que los es-
tratos sean heterogeneos entre s en media, armacion que ya conocamos
desde el comienzo del tema y que constituye una de las especicaciones
clasicas en el muestreo estraticado.
El muestreo estraticado con ajacion de mnima varianza es mas preciso
que el muestreo estraticado con ajacion proporcional, produciendose la
igualdad de precisiones cuando las cuasidesviaciones tpicas de los estra-
tos son todas iguales. Por lo tanto, la ganancia en precision del muestreo
estraticado con ajacion de mnima varianza respecto del muestreo estra-
ticado con ajacion proporcional sera mayor cuanto mas distintas entre
s sean las cuasidesviaciones tpicas de los estratos, es decir, para que el
muestreo estraticado sea mas preciso es conveniente que los estratos sean
heterogeneos entre si en desviacion tpica.
16
1.5. Tama no de la muestra necesario para come-
ter un error absoluto de muestreo
Vamos a analizar ahora el tama no de muestra estraticada necesario para
cometer determinado error absoluto de muestreo conocido de antemano.
Supongamos que queremos calcular el tama no de muestra estraticada para
cometer un error de muestreo e = (

) sin coeciente de conanza adicional.

1.5.1. Ajacion uniforme
Para jacion uniforme se tienen las siguientes varianzas
V (

X
st
) =
L

h=1
N
2
h
_
1
K
N
h
_
S
2
h
K
V (

X
st
) =
L

h=1
W
2
h
_
1
K
N
h
_
S
2
h
K
V (

A
st
) =
L

h=1
N
2
h
_
1
K
N
h
_
N
h
N
h
1
P
h
Q
h
K
V (

P
st
) =
L

h=1
W
2
h
_
1
K
N
h
_
N
h
N
h
1
P
h
Q
h
K
,
siendo K = n/L el tama no jo de la ajacion. De las expresiones anteriores, se
tienen los siguientes resultados para el valor de n.
Estimador del total
n =
L
L

h=1
N
2
h
S
2
h
e
2
+
L

h=1
N
h
S
2
h
.
Estimador de la media
n =
L
L

h=1
W
2
h
S
2
h
e
2
+
L

h=1
W
2
h
S
2
h
N
h
.
17
Estimador del total
n =
L
L

h=1
N
3
h
P
h
Q
h
N
h
1
e
2
+
L

h=1
N
2
h
P
h
Q
h
N
h
1
.
Estimador de la proporcion
n =
L
L

h=1
W
2
h
N
h
P
h
Q
h
N
h
1
e
2
+
L

h=1
W
2
h
P
h
Q
h
N
h
1
.
Ejemplo 6 Considerando el ejemplo ??, se quiere reducir el error en un 10 %
al estimar la media poblacional, que tama no de muestra sera necesario tomar
considerando ajaci on uniforme?
En este caso, el error al considerar ajacion uniforme viene dado por
V (

X
st
) =
L

h=1
W
2
h
(1 f
h
)
S
2
h
n
h
.
Considerando que
W
1
=
210
870
, W
2
=
600
870
, W
3
=
60
870
, n
h
=
100
3
.
Tomando en cuenta estos datos, se tiene que V (

X
st
) = 0,1801 y por tanto el
error viene dado por e =

0,1801 = 0,4244. Si queremos reducir este error en
un 10 % el error sera en este caso
e

= 0,4244 0,04244 = 0,3820.

Aplicando las expresiones anteriores, se tiene que
n =
L
L

h=1
W
2
h
S
2
h
e
2
+
L

h=1
W
2
h
S
2
h
N
h
=
37,4744
0,3820
2
+ 0,03767
= 122,12

= 123.
Y considerando ajacion uniforme tendramos que utilizar n
1
= 41, n
2
= 41 y
n
3
= 41.
18
1.5.2. Ajacion proporcional
Para este tipo de muestreo, notar quer n
h
= nW
h
, h = 1, 2, . . . , L y por lo
tanto f = f
h
, h = 1, 2, . . . , L. Supongamos que queremos calcular el tama no de
muestra estraticada para cometer un error de muestreo e = (

) sin coeciente
de conanza adicional.
e
2
= V (

X
st
) =
1 f
n
L

h=1
W
h
S
2
h
n =
L

h=1
W
h
S
2
h
e
2
+
1
N
L

h=1
W
h
S
2
h
e
2
= V (

X
st
) =
1 f
f
L

h=1
N
h
S
2
h
n =
N
L

h=1
N
h
S
2
h
e
2
+
L

h=1
N
h
S
2
h
e
2
= V (

P
st
) =
1 f
n
L

h=1
W
h
N
h
N
h
1
P
h
Q
h
n =
L

h=1
W
h
N
h
N
h
1
P
h
Q
h
e
2
+
1
N
L

h=1
W
h
N
h
N
h
1
P
h
Q
h
e
2
= V (

X
st
) =
1 f
f
L

h=1
N
h
N
h
N
h
1
P
h
Q
h
n =
N
L

h=1
N
h
N
h
N
h
1
P
h
Q
h
e
2
+
L

h=1
N
h
N
h
N
h
1
P
h
Q
h
Ejemplo 7 Una poblacion de tama no 1000 esta dividida en tres estratos para
los que se conocen los siguientes datos
1
= 4,
2
= 12,
3
= 80, W
1
= 0,6,
W
2
= 0,3 y W
3
= 0,1, donde
1
,
2
y
3
representan la desviacion tpica
poblacional de los estratos 1, 2, y 3. Determinar el tama no de la muestra que
con ajacion proporcional da una varianza del estimador de la media igual a 5.
W
1
= 0,6 = N
1
/N N
1
= 600,
2
1
= 16 = (N
1
1)S
2
1
/N
1
S
2
1
= 16,02
W
2
= 0,3 = N
2
/N N
2
= 300,
2
2
= 144 = (N
2
1)S
2
2
/N
2
S
2
2
= 144,5
W
3
= 0,1 = N
3
/N N
3
= 100,
2
3
= 6400 = (N
3
1)S
2
3
/N
3
S
2
3
= 6464,6
19
Y por lo tanto,
L

h=1
W
h
S
2
h
= 699,422,
y utilizando la expresion dada en teora
n =
L

h=1
W
h
S
2
h
e
2
+
1
N
L

h=1
W
h
S
2
h
=
699,422
5 + 0,6994220
= 122,7181

= 123,
es decir, necesitaramos 123 unidades para conseguir ese error. Para repartir
133 unidades considerando ajacion proporcional se tiene que
n
h
= nW
h
, h = 1, 2, . . . , L,
de manera que
n
1
= nW
1
= 123 0,6 = 73,8

= 74
n
2
= nW
2
= 123 0,3 = 36,9

= 37
n
3
= nW
3
= 123 0,1 = 12,3

= 12.
1.5.3. Ajacion de mnima varianza
En este caso, se tiene que
e
2
= V (

X
st
) =
1
n
_
L

h=1
W
h
S
h
_
2

1
N
L

h=1
W
h
S
2
h
n =
_

L
h=1
W
h
S
h
_
2
e
2
+
1
N

L
h=1
W
h
S
2
h
e
2
= V (

X
st
) =
1
n
_
L

h=1
N
h
S
2
h
_
2

h=1
N
h
S
2
h
n =
_

L
h=1
N
h
S
h
_
2
e
2
+
1
N

L
h=1
N
h
S
2
h
Los tama nos de muestra en los casos de la estimacion de la proporcion y el total
de clase se calculan sustituyendo S
2
h
por
N
h
N
h
1
P
h
Q
h
en las formulas del tama no
de la muestra para la estimacion de la media y el total respectivamente.
Ejemplo 8 Considerando los datos del Ejemplo ??, determinar el tama no de
la muestra que con ajacion de mnima varianza nos proporciona una varianza
del estimador de la media igual a 5.
En este caso, se tiene que la expresion para el tama no muestral viene dado por:
n =
_

L
h=1
W
h
S
h
_
2
e
2
+
1
N

L
h=1
W
h
S
2
h
=
14,04801
2
5 + 699,416/1000
= 34,6258

= 35.
20
Para repartir estos 35 unidades utilizando ajacion de mnima varianza consi-
deramos la expresion
n
h
= n
N
h
S
h

N
h
S
h
,
obteniendose los siguientes resultados
n
1
= 35
2,4015
14,04801
= 5,98

= 6
n
2
= 35
3,60624
1,404801
= 8,98

= 9
n
3
= 35
8,04027
14,04801
= 20.
1.5.4. Ajacion optima
En este caso, se tiene que
Para el estimador de la media
n =
(

L
h=1
W
h
S
h
/

C
h
)(

L
h=1
W
h
S
h

C
h
)
e
2
+
1
N

L
h=1
W
h
S
2
h
.
Para el estimador del total
n =
(

L
h=1
N
h
S
h
/

C
h
)(

L
h=1
N
h
S
h

C
h
)
e
2
+
1
N

L
h=1
N
h
S
2
h
.
Para el estimador de la proporcion
n =
(

L
h=1
W
h
_
P
h
Q
h
N
h
N

1
/

C
h
)(

L
h=1
W
h
_
P
h
Q
h
N
h
N

C
h
)
e
2
+
1
N

L
h=1
W
h
P
h
Q
h
N
h
N
h
1
.
Para el estimador del total de clase
n =
(

L
h=1
N
h
_
P
h
Q
h
N
h
N

1
/

C
h
)(

L
h=1
N
h
_
P
h
Q
h
N
h
N

C
h
)
e
2
+
1
N

L
h=1
N
h
P
h
Q
h
N
h
N
h
1
.
Ejemplo 9 Considerando el Ejemplo ?? y suponiendo que el coste para cada
estrato es igual a c
1
= 1, c
2
= 4 y c
3
= 25, obtener el tama no de la muestra que
proporciona una varianza para el estimador de la media igual a 5.
Utilizando la expresion anterior, el tama no de la muestra es igual a
n =
(

L
h=1
W
h
S
h
/

C
h
)(

L
h=1
W
h
S
h

C
h
)
e
2
+
1
N

L
h=1
W
h
S
2
h
=
5,812674349,81533
5 + 0,699422
= 50,8052

= 51.