CASTILLO MANZUR, LUIS ALBERTO - IETA

El muestreo aleatorio estratificado divide a la población en diferentes subgrupos (estratos), para seleccionar a los sujetos finales de los diferentes estratos en forma proporcional (afijación proporcional). El problema que se plantea es dividir a una misma población en diferentes grupos, cada uno de ellos subdividido en estratos, donde la selección del sujeto final cumpla con los requisitos de una muestra estratificada proporcional para cada uno de los grupos, evitando que los diferentes estratos se superpongan y manteniendo el criterio de muestreo probabilístico. La solución propuesta para este tipo de problemas utiliza modelos de optimización con base a Algoritmos Genéticos, porque esta técnica es capaz de resolver problemas no lineales complejos, donde la mejor solución local puede no ser la mejor solución absoluta (a diferencia de los métodos de optimización tipo «escalada»). El modelo especificado optimiza la muestra para cuatro grupos (tipos de entidades, tipos de puntos de atención, nivel de urbanización y piso geológico), donde la población la constituyen los puntos de atención. El modelo de optimización selecciona aquellos puntos que cumplen con los requerimientos muestrales de cada estrato. El procedimiento permite obtener una serie de escenarios óptimos, mismos que son condicionados a contener un número determinado de veces a un mismo punto de la población en el conjunto de escenarios. La metodología propuesta es de carácter experimental, apertura un camino diferente en el campo del muestreo y requiere para su desarrollo una profundización en la fundamentación teórica.

Año: 2017
Publicado en la revista Varianza N°13, Pág. 1
Descargar

El método YSIM incorpora el concepto de “entropía” (término utilizado por Claud Shannon para medir la cantidad de aleatoriedad, o incertidumbre en una población), con el objetivo de “mejorar” la especificación de modelos econométricos. Para ello se utilizan los coeficientes determinados, por ejemplo, a través de MCO, para utilizarlos como valores de entrada para modelos de simulación (con simulación Montecarlo o Hipercúbico Latino), obteniendo por resultado un valor de pronóstico para la variable dependiente (Y) denominada: Y simulada (YSIM). Para explicar el desarrollo de la metodología se considera como base de análisis modelos de regresión lineal simple, donde los coeficientes encontrados para las variables independientes (o explicativas) son transformados en variables del modelo de simulación (que pueden o no ajustarse a una distribución normal) y cuya variable de pronóstico es la variable dependiente (Y ). El método implica una pérdida en el nivel de ajuste “r”, pero logra una mejora en el nivel de pronóstico del modelo, es decir, los valores pronosticados (con base a [1, n-1]) se acercan más a los valores reales (n). El presente trabajo de investigación fue registrado en el Servicio Nacional de Propiedad Intelectual (SENAPI), en fecha 6 de septiembre de 2010, con Resolución Administrativa 1-647/2010, siendo esta la primera vez que se pública en un medio impreso o digital.

Año: 2017
Publicado en la revista Varianza N°14 Pág. 1
Descargar