RANDOM-KEY OPTIMIZER PARA O PROBLEMA DE ESTRATIFICAÇÃO UNIVARIADA

O problema de estratificação univariada é recorrente no planejamento amostral de institutos
nacionais de estatística. Fixado um nível de precisão, busca-se particionar a população em L
estratos, de modo a minimizar o tamanho total da amostra n. Neste trabalho, propõe-se uma abordagem
híbrida com heurísticas inspiradas em metaheurísticas do framework Random-Key Optimizer
(RKO) e um método exato de alocação amostral, garantindo alocação ótima na etapa final. O desempenho
foi avaliado em um estudo extensivo com 20 populações, 10 cenários e 24.000 execuções,
incluindo análises estatísticas baseadas nos testes de Friedman e Wilcoxon. Os resultados obtidos
foram competitivos frente aos algoritmos da literatura, destacando-se por incorporar explicitamente
critérios de otimização e assegurar integralidade e viabilidade amostral, superando limitações das
abordagens clássicas baseadas em arredondamentos.