Un eficiente clase de estimadores en muestreo aleatorio estratificado con una aplicación a datos reales
Autores: Bhushan, Shashi; Kumar, Anoop; Lone, Showkat Ahmad; Anwar, Sadia; Gunaime, Nevine M.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un eficiente clase de estimadores en muestreo aleatorio estratificado con una aplicación a datos reales
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Artículo de investigación
Clase separada
Combinada
Estimadores
Estimación de la media poblacional
Muestreo aleatorio estratificado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
Este artículo de investigación aborda una clase eficiente de estimadores separados y combinados para la estimación de la media poblacional basada en muestreo aleatorio estratificado (MAE). Se obtienen las expresiones de aproximación de primer orden del sesgo y el error cuadrático medio de la clase de estimadores separados y combinados propuestos. Se realiza un estudio comparativo para determinar las condiciones de eficiencia en las que la clase de estimadores sugerida supera a los estimadores contemporáneos. Estas condiciones de eficiencia se examinan a través de un extenso estudio de simulación empleando poblaciones simétricas y asimétricas dibujadas hipotéticamente. Los resultados de la simulación han demostrado que la clase de estimadores sugerida es más efectiva que los otros estimadores disponibles. Además, también se presenta una aplicación de los métodos propuestos examinando un conjunto de datos reales.
Descripción
Este artículo de investigación aborda una clase eficiente de estimadores separados y combinados para la estimación de la media poblacional basada en muestreo aleatorio estratificado (MAE). Se obtienen las expresiones de aproximación de primer orden del sesgo y el error cuadrático medio de la clase de estimadores separados y combinados propuestos. Se realiza un estudio comparativo para determinar las condiciones de eficiencia en las que la clase de estimadores sugerida supera a los estimadores contemporáneos. Estas condiciones de eficiencia se examinan a través de un extenso estudio de simulación empleando poblaciones simétricas y asimétricas dibujadas hipotéticamente. Los resultados de la simulación han demostrado que la clase de estimadores sugerida es más efectiva que los otros estimadores disponibles. Además, también se presenta una aplicación de los métodos propuestos examinando un conjunto de datos reales.