Pagura, José Alberto2018-05-102018-05-102015-12-09http://hdl.handle.net/2133/11322Los enfoque de modelos y asistido por modelos, en planes de muestro para poblaciones finitas amplían las posibilidades de aprovechamiento de la información auxiliar. En esta tesis se presentan propuestas que evidencian las mejoras obtenidas en la precisión de los estimadores en muestras de poblaciones en las que las unidades presentan correlación espacial. En particular se estudia la estimación del total de hogares con Necesidades Básicas Insatisfechas en Rosario en el año 2001, a partir de una muestra de radios censales, pudiendo generalizar la metodología para otros estudios socioeconómicos. Se realiza una reseña de los procedimientos usuales para detectar, caracterizar y modelar la variabilidad espacial, pasos necesarios como fundamento de las siguientes etapas. Se presentan métodos de estimación basados en modelos con uso de información de variabilidad espacial, para obtener predicciones de totales y sus Errores Cuadráticos Medios. Para apreciar las mejoras que pueden lograrse con los métodos planteados, se realizan estudios comparativos en los que se contrastan los resultados obtenidos con procedimientos de estimación usuales que no emplean información de la variabilidad espacial, con un método basado en modelos que incluye esa información mediante el semivariograma poblacional o muestral. La comparación se hace por medio del Error Cuadrático Medio obtenido en la distribución en el muestreo de la población finita. Se concluye acerca de la conveniencia de utilizar los procedimientos que tienen en cuenta la variabilidad espacial y se plantea la necesidad de desarrollar métodos de estimación para las variancias, así como considerar modelos que sean específicos para variables de conteo y ampliar los procedimientos a los casos de muestreo multietápico.application/pdfspaopenAccessmuestreo de poblaciones finitasenfoque basado en modelosvariabilidad espacialmodelos de semivariogramamasterThesisBorra, Virginia LauraAtribución - No Comercial (CC BY-NC)