Muestreo en Poblaciones Finitas Diseños Muestrales Complejos José A. Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla Curso 2014-2015 MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 1/35 Contenidos 1 Introducción 2 Diseños muestrales complejos y muestras complejas 3 Cálculo de los pesos Muestreo Aleatorio Simple Básico Muestreo con Probabilidades Variables Básico Muestreo Aleatorio Simple Estratificado Muestreo por Conglomerados en Una Etapa. M.A.S. Muestreo por Conglomerados en Dos Etapa. M.A.S. + M.A.S. Muestreo por Conglomerados en Dos Etapa. ΠPS + M.A.S. 4 Variables de Estructura. Error de Muestreo. Efecto del Diseño Variables de Estructura Error de Muestreo Efecto del Diseño 5 Bibliografía MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 2/35 Introducción. Objetivos Vamos a describir los diseños muestrales complejos, como diseños generados por la composición de otros, y lo haremos en paralelo a la descripción del “software” existente para generar estos diseños y procesar los datos muestrales obtenidos. Estos procesos están íntimamente relacionados con, El diseño de una encuesta por muestreo: Se parte de una serie de objetivos y condiciones poblacionales para decidir como se obtendrá la muestra. El análisis de los datos: A partir de los datos obtenidos en la muestra, se obtienen las estimaciones de los parámetros. Es el objetivo final en este tipo de investigaciones. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 3/35 “Sofware para Diseños Complejos SPSS. Módulo de Muestras Complejas. R. Librería Survey. SAS. Rutinas surveyselect, surveymeans, surveyfrec, surveyreg y surveylogistic. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 4/35 Muestras Complejas Los programas que realizan las tareas relacionadas con el muestreo se denomina genéricamente de procesamiento de Muestras Complejas, lo que es una traducción de la terminología inglesa Complex Samples, es decir, muestras complejas. Para justificar esta denominación y también a modo de revisión de los conceptos de la Teoría del Muestreo en Poblaciones Finitas que se van a manejar en relación a este programa, vamos a ver a continuación una descripción genérica, empleando ejemplos conectados con la realidad, de los diseños muestrales complejos. Dedicaremos la máxima atención a las probabilidades de inclusión, pues a partir de ellas se derivará el concepto de peso, que como veremos es fundamental para la aplicación de los distintos programas. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 5/35 Diseños muestrales complejos y muestras complejas Diseño Muestral. Definición formal Un conjunto de muestras potenciales, y una distribución de probabilidad sobre las mismas. Diseño Muestral. Concepto aplicado Un conjunto de especificaciones y reglas para seleccionar una muestra (aleatoria) de una población. Diseño Muestral Complejo Es un diseño muestral, o sea, un procedimiento aleatorio para seleccionar una muestra a partir de una población, en el cual intervienen distintas estructuras poblacionales, ya sean naturales, artificiales de tipo administrativo, etc. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 6/35 Diseños muestrales básicos En su aspecto más básico, el proceso de muestreo y estimación comienza seleccionando de una población, U, un conjunto de elementos que determinan una muestra m. Esta selección es aleatoria y se puede hacer de muchas formas, Muestreo Aleatorio Simple. Muestreo de Bernoulli. Muestreo Sistemático Uniforme. Muestreos con Probabilidades Variables: Sampford, Madow, etc. Y un largo etcétera. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 7/35 La iniciación al Muestreo y la realidad En su forma más simple, los muestreos se estudian como si la muestra se extrajera directamente de la población, es decir, como si la población U fuera un marco directamente accesible, y los elementos de la muestra se seleccionaran de dicho marco mediante un procedimiento que se aplica directamente sobre este. Esto que puede ser factible en algunas ocasiones, y de hecho se hace a veces, es problemático, difícil o imposible en muchas otras. Veamos dos situaciones paradigmáticas. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 8/35 Situación 1: Gran variabilidad o dispersión Los elementos de la población presentan mucha variabilidad en relación a la característica que se estudia, lo que produce que las estimaciones presenten un ELEVADO ERROR DE MUESTREO. Una forma de disminuir este error es dividir la población en partes más homogéneas y realizar muestreos en todas y cada una de estas partes. Las muestras obtenidas se unen o juntan para producir una única muestra final, m. Como puede verse, aquí los elementos no se seleccionan directamente, mediante un muestreo, de la población original, sino que esta se estructura en partes, y la selección se realiza en cada parte. Como vemos, en esta situación lo que se pretende es disminuir el error. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 9/35 Situación 2: Accesibilidad a los elementos De forma directa, los elementos de la población no son fácilmente accesibles, no dándose las circunstancias adecuadas para construir una muestra pues no necesariamente se dispone de un marco o ámbito bien definido de los elementos de los que se quiere seleccionar aquella. Ejemplo Si un encuestador es enviado a una urbanización formada por M bloques de apartamentos, para hacer una encuesta a las familias que allí habitan, puede tener problemas para seleccionar la muestra ya que con seguridad no va a disponer de una lista bien elaborada de las unidades familiares. Una solución sería seleccionar previamente mediante un muestreo en el conjunto de bloques, por ejemplo tres de los mismos, y a continuación estudiar cada uno de estos tres bloques seleccionados, ya sea mediante un análisis exhaustivo de los mismos, ya sea realizando nuevamente muestreos en cada uno. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 10/35 Situación 1: Muestreo Estratificado En una provincia geográfica dividida en siete se quiere realizar un estudio de la producción de cereal mediante la selección de una muestra de granjas en toda la provincia. Para ello, en cada comarca se realiza un muestreo seleccionando 10 granjas por comarca. Al final, tenemos una muestra de 70 granjas formada por la unión de las muestras obtenidas en cada comarca. Se supone que los siete muestreos básicos son independientes. Esto es un caso típico de MUESTREO ESTRATIFICADO y las mencionadas divisiones se denominan ESTRATOS. El muestreo se lleva a cabo de forma que en todas y cada una de las divisiones o estratos se realiza un muestreo. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 11/35 Situación 2: Muestreo por Conglomerados. Una Etapa En un distrito municipal de una gran ciudad se desea realizar una encuesta entre la población joven de entre 16 y 25 años, para estudiar sus hábitos de lectura. Dicho distrito está dividido en 47 secciones censales no muy extensas. Indiquemos que las secciones censales de un municipio son areas geográficas de tipo administrativo delimitadas o definidas por ejemplo por ciertas calles o plazas. Por ejemplo, el Distrito Sur de Sevilla cuenta con 82 secciones censales. Para seleccionar la muestra de jóvenes, se selecciona previamente una muestra de cuatro secciones censales. A continuación, esas cuatro secciones se estudian de forma exhaustiva o completa, es decir, todos los jovenes de las mismas son entrevistados. Así, si las secciones censales de la muestra tienen respectivamente 200, 350, 120 y 250 jóvenes, la muestra final tendrá 920 jóvenes. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 12/35 Situación 2 :Muestreo por Conglomerados. Dos Etapas Es una variación del ejemplo anterior. En un distrito municipal de una gran ciudad se desea realizar una encuesta entre la población joven de entre 16 y 25 años, para estudiar sus hábitos de lectura. Dicho distrito está dividido en 75 secciones censales cada una de las cuales con un número considerable de jóvenes. Para seleccionar la muestra de jóvenes, se selecciona previamente una muestra de seis secciones censales. A continuación, en cada una de esas seis secciones se realiza un muestreo para seleccionar un conjunto de jóvenes. Nótese que ahora el muestreo global está compuesto de 1 + 6 = 7 muestreos distintos. En una primera fase o etapa se obtiene la muestra de secciones, y en una segunda fase o etapa, en cada sección de la muestra anterior, se obtienen muestras de jóvenes. Aquí tenemos un caso típico de lo que se denomina MUESTREO POR CONGLOMERADOS EN DOS ETAPAS, pues hay dos etapas o fases de muestreo, como se describe en el párrafo anterior. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 13/35 Ideas Fundamentales de los Diseños Complejos Primera Idea Fundamental. Existen dos estructuras básicas: ESTRATOS y CONGLOMERADOS Segunda Idea Fundamental. Estructuralmente, los ESTRATOS y los CONGLOMERADOS son las mismas cosas: PARTES DE LA POBLACIÓN. La diferencia consiste en: Su diferente tratamiento muestral. Se hace muestreo en TODOS Y CADA UNO DE LOS ESTRATOS. Por contra, Se seleccionan sólo ALGUNOS CONGLOMERADOS a partir de los existentes. Su diferente finalidad. Los ESTRATOS, supuestos más homogéneos, REDUCEN ERROR DE ESTIMACIÓN. Los CONGLOMERADOS PERMITEN y/o FACILITAN el acceso a los elementos que se van a estudiar. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 14/35 Ideas Fundamentales de los Diseños Complejos Tercera Idea Fundamental En la práctica no nos vamos a encontrar, usualmente, con un muestreo básico o directo de los elementos. Pero tenemos que decir que ni siquiera nos vamos a encontrar con situaciones menos simples como un muestreo estratificado o un muestreo por conglomerados. Muy al contrario, lo más usual será tener una COMBINACIÓN O MEZCLA DE DIFERENTES ESTRUCTURAS Y DISEÑOS MUESTRALES. Además, a todo esto, hay que añadirle las múltiples posibilidades que hay al realizar los muestreos básicos, en los que podemos emplear Muestreo Aleatorio Simple, Muestreo Sistemático Uniforme, Muestreo con probabilidades variables en sus variadas formas, y un largo etcétera MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 15/35 Algunos Ejemplos de Mezclas de Diseños Un muestreo estratificado, en el cual, en cada estrato, se realiza un muestreo por conglomerados en dos etapas, seleccionando los conglomerados mediante Probabilidades Variables, y los elementos posteriores con Muestreo Aleatorio Simple. Un muestreo por conglomerados en dos etapas, en el cual, la segunda etapa se realiza mediante Muestreo Aleatorio Simple estratificado en cada conglomerado. Un muestreo por conglomerados en dos etapas, en el cual, en la primera etapa se seleccionan los conglomerados Muestreo Sistemático, y la segunda etapa es a su vez un muestreo por conglomerados en dos etapas, ambas mediante Muestreo Aleatorio Simple. Un muestreo estratificado, en el cual, en cada estrato, se realiza un muestreo por conglomerados en dos etapas, y en el cual, a su vez, la segunda etapa se realiza mediante muestreo estratificado en cada conglomerado. Y un largo etcétera de muchas más combinaciones. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 16/35 Diseños Muestrales Complejos En cualquiera de estas situaciones, sea cual sea la combinación de procedimientos, al final tenemos como resultante UN DISEÑO MUESTRAL que es el producto final de la mezcla de todos los diseños muestrales que intervienen. Un diseño muestral de este tipo se denomina diseño muestral complejo. Las muestras obtenidas con tales diseños se pueden por ello denominar muestras complejas. Los programas de procesamiento de muestras complejas nos permiten, Construir este tipo de muestras, mediante distintas opciones de muestreo, y suponiendo que intervienen diferentes estructuras, posiblemente combinadas: estratos y conglomerados. Analizar los datos muestrales para obtener estimaciones de parámetros. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 17/35 Conceptos Fundamentales: Probabilidades de Inclusión y Pesos Probabilidades de Inclusión Si queremos estimar parámetros a partir de un muestreo realizado con un diseño complejo, por complicado que sea, al final nos vamos a encontrar con una muestra de elementos, y la clave consiste, básicamente, en calcular las probabilidades de inclusión. Estimación de un Total Poblacional Si queremos estimar el total de la variable Y a partir de una muestra m, aplicamos el estimador de Horvitz-Thompson, bty π = X yi X = ωi yi πi i∈m siendo i∈m ωi = 1 πi ∀i ∈ m Pesos o Ponderaciones ωi = 1 πi MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 18/35 Estimación de la Media Poblacional Si lo que queremos estimar es la media poblacional de la variable, es decir, el parámetro y , podemos emplear nuevamente el estimador de Horvitz-Thompson, 1 X yi ybUπ = N πi i∈m o también el estimador de Hájek, X yi /πi i∈m ybUHH = X 1/πi i∈m MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 19/35 Estimadores empleados. Los programas realizan la estimación de un total poblacional mediante el estimador de HorvitzThompson, bty π (Y ) = X yi X = ωi yi πi i∈m i∈m siendo yi la variable que se estudia, y ωi = 1/πi los pesos que suministraremos al programa. La media poblacional y las proporciones, mediante el estimador de Hájek, X X ωi yi yi /πi i∈m i∈m = X ybUHJ = X 1/πi ωi i∈m i∈m MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 20/35 Cuarta Idea Fundamental Para realizar estimaciones tenemos que, Calcular las Probabilidades de Inclusión y a partir de las mismas Calcular los Pesos IMPORTANTE Cuando la muestra a analizar ha sido previamente diseñada y obtenida mediante SPSS u otro programa, es usual que contenga información sobre los pesos. Si no tenemos los pesos, ya sea por que la muestra ha sido obtenida por otros medios, o por otras razones, tendremos que calcularlos. A continuación vemos algunas situaciones. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 21/35 Muestreo Aleatorio Simple Básico Si N es el tamaño de la población, y n es el tamaño de la muestra, las probabilidades de inclusión son, πi = n N ωi = N n por lo que los pesos son, MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 22/35 Muestreo con Probabilidades Variables Básicos Estos muestreos se realizan empleando una variable de TAMAÑO, de tal forma que los elementos “MÁS GRANDES” tengan más probabilidad de ser seleccionados. Si denotamos Xi a dicha variable, T (X ) a la suma, sobre la población, de todos los tamaños, y n al tamaño de la muestra, las probabilidades de inclusión son, πi = nXi T (X ) por lo que los pesos son ωi = T (X ) nXi Uno de los procedimientos de este tipo más empleados es el método de Sampford. Dicho método permite obtener n elementos muestrales sin reemplazamiento y con probabilidades de inclusión variables y proporcionales a Xi . SPSS tiene implementado este método. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 23/35 Muestreo Aleatorio Simple Estratificado Para simplificar supongamos dos estratos, de tamaños N1 y N2 , en los que se seleccionan respectivamente n1 y n2 elementos mediante sendos muestreos aleatorios simples en cada estrato. Las probabilidades de inclusión son, πi = n1 n2 en el estrato 1 y πi = en el estrato 2 N1 N2 por lo que los pesos son, ωi = N1 N2 en el estrato 1 y ωi = en el estrato 2 n1 n2 MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 24/35 Muestreo por Conglomerados en Una Etapa. Selección de Conglomerados mediante Muestreo Aleatorio Simple Supongamos que hay M conglomerados, y se seleccionan g. La probabilidad de inclusión de un elementos será la del conglomerados al que pertenece, es decir, πi = g M ωi = M g por lo que los pesos son, MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 25/35 Muestreo por Conglomerados en Dos Etapas. Selección de Conglomerados y Elementos mediante Muestreo Aleatorio Simple Supongamos que hay M conglomerados, y se seleccionan g. En cada conglomerado k , con Nk elementos, seleccionamos nk elementos finales también mediante muestreo aleatorio simple. La probabilidad de inclusión de un elementos será la del conglomerados al que pertenece multiplicada por la del elemento dentro del conglomerado, es decir, g nk πi = M Nk por lo que los pesos son, ωi = M Nk g nk En general, habrá tantos pesos distintos como conglomerados. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 26/35 Muestreo por Conglomerados en Dos Etapa. Selección de conglomerados con Probabilidades Variables, y de Elementos mediante Muestreo Aleatorio Simple Supongamos que hay M conglomerados, y se seleccionan g. La selección se hace, por ejemplo mediante el método de Sampford, empleando el tamaño de los conglomerados como variable tamaño. Supongamos que la suma de todos los tamaños es N En el conglomerado k , con Nk elementos, seleccionamos nk elementos finales mediante muestreo aleatorio simple. La probabilidad de inclusión de un elementos será la del conglomerados al que pertenece multiplicada por la del elemento dentro del conglomerado, es decir, πi = gnk gNk nk = N Nk N por lo que los pesos son, ωi = N gnk MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 27/35 Variables de Estructura Estratos Para definir y manejar una estructura de estratos los progamas emplearán una o varias variables, cuyos diferentes niveles determinarán dichos estratos. Conglomerados Iguamente, para definir y manejar una estructura de conglomerados se emplearán también una o varias variables, cuyos diferentes niveles determinarán dichos conglomerados. Subpoblaciones Es usual, al realizar las estimaciones de los parámetros, hacerlo tanto para la población total, como para partes o subpoblaciones de la misma. Iguamente, para definir subpoblaciones se emplearán una o varias variables, cuyos diferentes niveles determinarán dichos conglomerados. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 28/35 Variables de Estructura Ejemplo En una población de individuos los conglomerados están definidos por secciones censales, SC, y los estratos por el cruce de SEXO:[H,M] y grupos de EDAD:[A,B,C]. A:jóvenes, B:intermedios, C:Mayores. Tendremos múltiples variables, y tres de ellas serán las anteriores, VAR01 VAR02 ...... SEXO EDAD SC VAR09 -------------------------------------------------.... .... ...... V B 23 .... .... .... ...... M A 23 .... .... .... ...... M B 34 .... .... .... ...... V B 34 .... .... .... ...... V A 53 .... .... .... ...... ... ... .... .... -------------------------------------------------Las variables SEXO y EDAD definen pues una estructura de seis estratos. La variable SC define la estructura de conglomerados. Además, la variable SEXO podría ser utilizada para desagregar las estimaciones. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 29/35 Error de Muestreo Error, Intervalo de Confianza, Contrastes La estimación de parámetros a partir de una muestra es un proceso inferencial, y por consiguiente conlleva un error. El “software” usual proporciona una medida del error de muestreo denominándolo error típico, cuyo significado es la desviación típica estimada de la estimación, es decir, si θ es el parámetro que se estima, el error típico o “standard error” [SE en el “package” SURVEY], q b [θ] b =σ b Error Típico = V También proporcionan un intervalo de confianza, basado en la distribución normal o la distribución t de Student, de la forma por ejemplo, g.l. g.l. (θb − σ b t1−α/2 , θb + σ b t1−α/2 ) Siendo g.l. los grados de libertad calculados como la diferencia entre el número de unidades muestrales y el de estratos, en la primera etapa. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 30/35 Cálculo del Error de Muestreo Probabilidades de inclusión de segundo orden, πij Las fórmulas matemáticas que permiten calcular el error de muestreo cuando se realiza un muestreo usual, sin reemplazamiento, necesitan como datos las probabilidades de inclusión de segundo orden, πij . En procesos de selección basados en muestreo aleatorio simple, estas probabilidades son muy sencillas y los programas las pueden calcular mediante una fórmula del tipo, πij = n(n − 1) N(N − 1) siendo n el tamaño muestral y N el tamaño poblacional. El problema se presenta si nuestro muestreo complejo contiene una primera etapa de selección de conglomerados mediante un procedimiento muestral sin reemplazamiento, con probabilidades variables pues en tal caso, el cálculo de la πij no es tan simple, y además depende del método empleado. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 31/35 Cálculo del Error de Muestreo Caso A: Disponemos de un fichero con las πij Esto sería lo ideal, pues podemos calcular el error de muestreo de forma exacta. Esta situación es la que tendremos usualmente cuando la muestra haya sido construida también mediante SPSS, pues en tal caso este programa se crea automáticamente un fichero con las πij . En este caso, sólo será necesario indicarle a SPSS el mencionado fichero con las πij , con lo que el programa realizará los cálculos de forma automática. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 32/35 Cálculo del Error de Muestreo Caso B: No tenemos las πij , ni podemos o no queremos calcularlas. En esta situación, existe la posibilidad de indicar a SPSS, aunque no sea cierto, que el muestreo de conglomerados en la primera etapa se ha realizado CON reemplazamiento. La teoría del Muestreo prueba que para este tipo de muestreos, basta con probabilidades de primer orden para estimar el error. Para muchos diseños muestrales usuales, esto produce una ligera sobrestimación del error. IMPORTANTE: no es que el error aumente, es que SPSS da un valor algo mayor [Enfoque conservador]. El “package” SURVEY, por defecto, supone que la muestra se ha obtenido con reemplazamiento, aunque permite también la posibilidad de calcular el error de muestreo a partir de fórmulas aproximadas para las πij , e incluso emplear fórmulas exactas suministrando las probabilidades de inclusión de segundo orden. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 33/35 Efecto del Diseño Comparación con el Muestreo Aleatorio Simple Básico Cuando se emplea un diseño complejo es interesante comparar el error que se obtiene con el que se obtendría aplicando Muestreo Aleatorio Simple Básico. SAS, SPSS y R[survey] pueden realizar esta comparación, calculando el efecto del diseño, que no es otra cosa que, EFD = b V nuestro diseño b V M.A.S. básico es decir, el cociente entre las varianzas estimadas de nuestreo diseño y del Muestreo √ Aleatorio Simple Básico. Aunque es más indicativo calcular EFD pues el error típico viene dado a partir de la desviación típica. INTERPRETACIÓN: Según sea menor o mayor que 1, indica si nuestro diseño produce menos o más error que un Muestreo Aleatorio Simple Básico, que se emplea como referencia. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 34/35 Bibliografía Fernández García, F.R. y Mayor Gallego, J.A. (1995). Muestreo en poblaciones finitas: Curso básico. E.U.B. Ediciones Universitarias de Barcelona. Lohr, S.L. (2010). Sampling: Design and Analysis. 2nd. Edition. Brooks/Cole. International Edition. Särndal, C., Swensson, B. and Wretman, J. (1992). Model Assisted Survey Sampling. Springer-Verlag. New York, Inc. MÁSTER EN MATEMÁTICA AVANZADA: Métodos Estadísticos Avanzados. Diseños Muestrales Complejos C B 35/35