¡Somos talento Colombiano!Envio gratis por compras superiores a $250.000*10% dcto. en tu primera compra con el cupón #LEER*

(0)

COP$ 0

(0)

COP$ 0

Estrategias de muestreo.

Formato: Libro | Autor: H.Andrés Gutiérrez Rojas  | Descripción: El término Estrategia de Muestreo no ha tenido la trascendencia pertinente en el mundo del muestreo. Se habla de la precisión e incluso insesgamiento de un estimador sin tener en cuenta que tales propiedades están ligadas al diseño de muestreo que se haya utilizado en la recolección de la información. Para el autor, el aprendizaje de esta materia es más sencillo cuando se valora de igual manera el diseño de muestreo junto con el estimador del parámetro de interés utilizado en la población finita. No se puede desconocer la regla de oro del muestreo que clama: utilizar diseños de muestreo que induzcan probabilidades de inclusión o selección, según sea el caso proporcionales al valor de la característica de interés en la población y utilizar estimadores que involucren dichas probabilidades. Por lo anterior, se ha decidido titular este texto como Estrategias de muestreo, diseño de encuestas y estimación de parámetros.
 
En la búsqueda combinada de una mejor estrategia de muestreo se ha querido dividir este texto en cuatro partes que pueden ser utilizadas en los distintos niveles de pregrado así como en cursos de posgrado, dependiendo de la dificultad del tema. La división del libro corresponde al desarrollo teórico del muestreo a través de su corta historia: recuento de las estrategias de muestreo más utilizadas; utilización y aprovechamiento de la información auxiliar disponible en el marco del muestreo; avances metodológicos en el muestreo; y, estimadores de calibración, el muestreo balanceado y el muestreo indirecto.

H.Andrés Gutiérrez Rojas

Área:

Editorial: Ediciones de la U

ISBN: 9789587625868

EdiciónFormatoPáginasAcabadosTamaño
2016Impreso Bajo Demanda512Rústica17 x 24 cm.
SKU: 9789587625868 Categoría:

Descripción

El término Estrategia de Muestreo no ha tenido la trascendencia pertinente en el mundo del muestreo. Se habla de la precisión e incluso insesgamiento de un estimador sin tener en cuenta que tales propiedades están ligadas al diseño de muestreo que se haya utilizado en la recolección de la información. Para el autor, el aprendizaje de esta materia es más sencillo cuando se valora de igual manera el diseño de muestreo junto con el estimador del parámetro de interés utilizado en la población finita. No se puede desconocer la regla de oro del muestreo que clama: utilizar diseños de muestreo que induzcan probabilidades de inclusión o selección, según sea el caso proporcionales al valor de la característica de interés en la población y utilizar estimadores que involucren dichas probabilidades. Por lo anterior, se ha decidido titular este texto como Estrategias de muestreo, diseño de encuestas y estimación de parámetros.
 
En la búsqueda combinada de una mejor estrategia de muestreo se ha querido dividir este texto en cuatro partes que pueden ser utilizadas en los distintos niveles de pregrado así como en cursos de posgrado, dependiendo de la dificultad del tema. La división del libro corresponde al desarrollo teórico del muestreo a través de su corta historia: recuento de las estrategias de muestreo más utilizadas; utilización y aprovechamiento de la información auxiliar disponible en el marco del muestreo; avances metodológicos en el muestreo; y, estimadores de calibración, el muestreo balanceado y el muestreo indirecto.

Información adicional

Peso0,801 kg
Acabados

ano

Formato

Área

Autor

Colección

Editorial

Páginas

Peso

Tamaño

Subtítulo

Autor n1

Autor a1

Autor a2

Número de edición

Tabla de contenido

Prólogo

Prefacio
 
I. Inferencia basada en el diseño de muestreo

1. Encuestas y estudios por muestreo

1.1 Conceptos metodológicos

Encuesta

Marco de muestreo

Sesgo

1.2 Marco y Lucy

2. Muestras probabilísticas y estimadores

2.1Población y muestra aleatoria

Población finita

Muestra aleatoria

Soportes de muestreo

Diseño de muestreo

Probabilidad de inclusión

Característica de interés y parámetros de interés

Estadística y estimador

2.2 Estimadores de muestreo

El estimador de Horvitz-Thompson

El estimador de Hanse-Hurwitz

2.3 Muestra representativas

2.4 Ejercicios

3. Muestreo con probabilidades simples

3.1 Diseño de muestreo de Bernoulli

Algoritmo de selección

El estimador de Horvitz-Thompson

Marco y Lucy

3.2 Muestreo aleatorio simple sin reemplazo

Algoritmos de selección

El estimador de Horvitz-Thompson

Estimador de la media poblacional

Estimación en dominios

El efecto de diseño
Marco y Lucy

Probabilidades de inclusión en unidades de muestreo

3.3 Muestreo aleatorio simple con reemplazo

Algoritmo de selección
El estimador de Hansen-Hurwitz
Marco y Lucy

3.4 Diseño de muestreo sistemático

Algoritmo de selección

El estimador de Hansen-Hurwitz

Optimalidad de la estrategia

Diseño de muestreo q-sistemático
Marco y Lucy

3.5 Ejercicios

4. Muestreo con probabilidades proporcionales

4.1 Diseño de muestreo de Poisson

Algoritmo de selección

El estimador de Hansen-Hurwitz

Diseño de muestreo q-sistemático
Marco y Lucy

4.2 Diseño de muestreo PPT
Algoritmo de selección

El estimador de Hansen-Hurwitz
Eficacia de la estrategia
Marco y Lucy

4.3 Diseño de muestreo πPT

4.4 Selección de muestras πPT

Método de Sunter

Método de escisión

Estimación de la varianza
Marco y Lucy

4.5 Ejercicios

5. Muestreo estratificado

5.1 Fundamentos teóricos

Estimación en el muestreo estratificado

El estimador de Horvitz-Thompson

5.2 Diseño de muestreo aleatorio estratificado
Algoritmos de selección

El estimador de Horvitz-Thompson

Estimación de la media poblacional

Asignación del tamaño de la muestra

Estimación en dominios

El efecto de diseño
Marco y Lucy

5.3 Diseño de muestreo estratificado PPT
Algoritmos de selección

El estimador de Hansen-Hurwitz
Marco y Lucy

5.4 Ejercicios

6. Muestreo de conglomerados

6.1 Fundamentos teóricos y notación

El Estimador de Horvitz-Thompson

El estimador de Hansen-Hurwitz

6.2 Muestreo aleatorio simple de conglomerados

Algoritmos de selección

El estimador de Horvitz-Thompson

Eficiencia de la estrategia
Marco y Lucy

6.3 Ejercicios

7. Muestreo en varias etapas

7.1 Muestreo en dos etapas

El estimador de Horvitz-Thompson

7.2 Diseño de muestreo MAS-MAS

Algoritmos de selección

Tamaño de muestra

Estimación de la varianza en muestreo de dos etapas
Marco II y Lucy

7.3 Diseño de muestreo en dos etapas estratificado
Diseños auto-ponderados

7.4 Diseños en etapas

El estimador de Horvitz-Thompson

El estimador de Hansen-Hurwitz

7.5 Ejercicios
 
II. Inferencia asistida por modelos
 
8. Estimación de parámetros diferentes al total

8.1 Fundamentos teóricos

Aproximación de Taylor

8.2 Estimación de una razón poblacional

Propiedades

Casos particulares

Estimación de un promedio
Marco y Lucy

8.3 Estimación de una mediana
Marco y Lucy

8.4 Estimación de coeficientes de regresión

Fundamentos teóricos

Estimación en la población finita

Estimación en la muestra

Casos especiales
Marco y Lucy

8.5 Ejercicios

9. Estimación con información auxiliar

9.1 Introducción

9.2 Estimador general de regresión

Construcción

Otras propiedades del estimador general de regresión

9.3 Estimador de media común

Algunos diseños de muestreo
Marco y Lucy

9.4 Estimador de razón
Algunos diseños de muestreo
Marco y Lucy

Muestreo estratificado

9.5 Estimador de regresión simple
Marco y Lucy

9.6 Post-estratificación
Subgrupos poblacionales

El estimador de post-estratificación

Estimador de media post-estratificada

Estimador de razón post-estratificada

9.7 Múltiples modelos de regresión

9.8 Ejercicios

10. Estimadores de calibración

10.1 IPFP

Algoritmo
Marco y Lucy

10.2 Fundamentos teóricos

10.3 Construcción

Distancias G(.), g (.) y F(.)

10.4 Algunos casos particulares

Método lineal: distancia Ji cuadrado

Método de raking: distancia de entropía

Método logístico

Método truncado lineal

10.5 Calibración y Post-estratificación
Post-estratificación

Raking

10.6 Varianza de los estimadores de calibración

10.7 Marco y Lucy

10.8 Discusión

10.9 Estimadores óptimos de calibración

10.10 Ejercicios

11. Inferencia basada en modelos poblacionales

11.1 Un poco de historia

11.2 Algunos modelos predictivos

Un modelo para el muestreo aleatorio simple

Un modelo para el muestreo aleatorio estratificado

Un modelo para el muestreo por conglomerados

Un modelo para el muestreo por etapas

Un modelo para el estimador de razón

Un modelo para el estimador de regresión

11.3 El teorema general de predicción

11.4 Ignorando el diseño de muestreo

11.5 Ejercicios
 
III. Otros tópicos de muestreo
 
12. Muestreo en dos fases

12.1 Introducción

12.2 El estimador π*

12.3 Estratificación en muestreo bifásico

12.4 Selección proporcional al tamaño

12.5 Otras aplicaciones

Mejorando el estimador

Un modelo para la ausencia de respuesta

Muestreo en ocasiones

12.6 Marco y Lucy

12.7 Ejercicios

13. Encuestas multi-propósito

13.1 Introducción

13.2 Estimación de varios parámetros

13.3 Algunos diseños de muestreo

Estimación en dominios

Estimación en diseños estratificados

13.4 Información auxiliar

Algunas relaciones

Información tradicional

Información auxiliar conjunta

13.5. Diseños de muestreo óptimos

Diseño de muestreo de Holmberg

Un ejemplo numérico

13.6 Marco y Lucy

13.7 Ejercicios

14. Muestreo indirecto

14.1 Notación

14.2 Estimación del total

14.3 Método de ponderación generalizada

Propiedades

Algunas matrices especiales

14.4 Ejemplo

14.5Ejercicios

15. Muestreo balanceado

15.1 Notación

Ejemplos

15.2 El método del cubo

Fase de vuelo

La martingala balanceada

Implementación de la fase de vuelo

La fase de aterrizaje

15.3 Marco y Lucy

15.4 Desarrollos recientes

Algunas preguntas

15.5 Ejercicios
 
Distribución normal estándar

Título