2. LA IMPORTANCIA DEL MUESTREO EN LA GENERACION DE CONOCIMIENTO 2.1 Elmuestre, una necesidad en el mundo de hoy. 22 La filosfia del muest100 won Py 2 23 Etapas de una encuesta por muestreo. - 23 2.4 Mestre e inference 7 2 25 Muestre, tera yempirisn. or) 2.6 Caracteristcasdescables de una investizaciGn por mueste. aeT TTT STV STH STVTSTTSTTEsTsSEsVSsSErFIIIIITIIAsSY LA IMPORTANCIA DEL MUESTREO EN LA GENERACION DE CONOCINIENTO 2.1 EL MUESTREO, UNA NECESIDAD EN EL MUNDO DE HOY ‘Uno de los problemas que afronta el mundo de hoy, €5 el de que los conjuntos de cosas son demasiado grandes y resulta supremamente difiil conseguir Ia informacién que sobre ellos ecesitamos para tomar docisiones. Basta con que ‘nalicemos unas pocas situaciones pars damos ‘cuenta de la importancia de la metodologia del ‘muestreoen el mundo de hoy ante la impibilidad de medir 0 encuestar a todas las unidades sobre Jas cuales deseamos sctuar. Ver la figure 2.1 [Pare un ctamen de ‘aie ta ‘Par concern ‘ancora Penance ai sec REFLEXIONEMOS igure 21, Ajunassuacione, (becoaday ser ecsaio examina dae Ts selas de tad os bor dean las tonbllos, es neesare pono oes es ‘Pa conocer aspects fudaneetles del ‘univer esneesao observa y me tide das sei — sangre seocesro ange tn pce! orca yromedio de vague fuss? \ insert pustor de leila que van ue obliga elu del muetrso ‘Veamos algunos ejemplos de interés cotidiano: jemplo N° 1: Se desea planificar el desarcolo de una gran ciudad y pars ello se debe realizar un studio socioecondmico en su drea mettopolitana yen sus eas ruales do inflencia ‘Sjemplo N° 2: Se desea controla Ia calidad de tos productos manufscturados por una gran ‘empresa para garatizar os estandases de calidad Conceptos y Aplicaciones dle Ios Métodos de Mi de dichos productos para ser compeitives en et ‘mercado Ejemplo N° 3: Se desea conocer la producciGa ‘otal de determinado prdtucto agricola en wa gran extensiGn territorial compuesta por ura gran Centidad de predios eon vocacién agricola. Como se puede ver, en los tret ejemplos anteriores seria muy dispendioso, cososo y estreo - Serie Monografias: EstadiaticaRAFABLKLINGER ANGARITA demorado obtener y procesar toda le nformacion ‘que remlri de medirescaracteristias deseadss fen cada elemento de estos conjunios (Censar) ‘haciendo realmente imposible tal procedimiento. “Le anterior pone de manifesto que es mucho mds practic, desde todo punto devise, tomar una parte de estos conjuntos (MUESTRA) y €on sus ‘medidas, hncerse una idea (ESTIMAR) de To ave te quiere saber sobre todo el conjunto (POBLACION). TEs bueno tener presente que #l tener dos poblaciones muy diferentes en su tamalio, por ‘jeaiplo, N, de 3000 unidades y N, de 10000 Taidades de las misma, est no implica que si se requiere para un corresto estudio de 80 unidades cen a poblacién #1, entonces se necestan, debido ‘altamaso de la #2, més de 80 para ela. Es posible ‘gue una unidad més (81) tomada pare las dos poblaciones no agregue diferencia significatva a Toque ya ze eabia sobre las poblaciones con las 80, -unidades estudiadas. Asi mismo, se debe tener presente que cuando las unidades de una poblacia ‘50m muy homegéneas en Tas caractersticas que se desean estudiar, este hecho hace que necesariamente el nimero de unidades o muestra ‘que se necesita para el estudio sea relativamente ‘pequefio. Sobre estos conceptos s© volverd mis adelante 2.2 La FiLosoFiA DEL MUESTREO ee Compo se relaconé antes, Ia materia prima de tun estudio estaditico son los datos, Jos cuales proceden de una muestra seleccionada. Esta Muestca n0 debe contener vicios de ‘rpresentetividad ya que tal situncién afects Ia ‘ilidez externa que, 25a vez, en crapatia dela ‘lider interna, dan confsbilidad y cedibilidad al estudio, permitiendo la toma de acciones corrects sobre la realidad investigads, Queds claro ‘entonces, que se observa una part, “ia muestra”, ‘de un dominio bajo estudio con el fin de producir {nformacién confiable sobre cl todo, “la poblecién”. ta itis circunstancia consttuye a flosfia del smutstreo. Las figuras 2.2y 23, resumen a manera de ejemplo Ie filosofia del muestreo. PODLACN Fr desman RSRAS Awa Bre Const erin ercera Co Finca2.2 Musee produces indus yo recarsr neterles . ‘Universidad de Valle - Escuela de Ingenieria Industrial y Rstadistica (E1E)LA IMPORTANCIA DEL MUESTREO EN LA GENERACION DE CONOCIMIENTO ey POBLACION: Pater de Continent Arison W = 53 MUESTRA: Agus pases» = 8 CONETIO: Oban apa contents seneaes abe to ls pes de Ka ‘Daten Figura 23. Maestro de pate del continent afiano. Existe un gran nimero de dispositivos de laboratorio) y, de otra, para pernitir la smanuales, eléeticos y mecénicos disefados para proteccién de quien toma la muestra. A manera cobiener muestras de productos 6 sustacias con de ejemplo se relacionan algunos de tales facilidadevitando, de una parte, lacontaminacién — disposiivos. VerFigura 2.4. de la muestra (sustancia para pruebas miédicas © Conceptos y Aplicaciones de los Métados de Muestreo - Serle Monografias: EstadisticaRAPAELKLINGERANGARITA [EQUIPO DE SONDEO FLECTRICO ara fecoger muss de minerals sidos Figuz24.Dipostivos par latome de maesras indus Universidad del Valle - Escuela de Ingenieria Industrial y Pstadistica (ELE)ee eee eee ee ee | LA IMPORTANCIA DEL MUESTREO EN LA GENERACION DE CONOCIMIENTO 2.3 ETAPAS DE UNA ENCUESTA POR MUPSTREO ‘A continuscién se explica cada una de las principales eumpas que se deben tener presentes ‘en la realizacién de una encuesta por muesteo. CCabe aclarar que aunque dichas etapas estén referidas en un arden lineal, no necesariamente ‘ex la prctica ella se ejecutan en este orden, ya que muchas de ellas se realizaran en forma simolténea de acuerdo con las necesidades que vvayan surpiendo en la realizacin misma de la investigacia ylalgiea de proceso. Blapa N° 1: Planteamiento del problema Se dice comtinmente que el planteamiento de ‘un problema es la fase més importante en ‘eualquier investigacién y un proverbio chino establece igualmente que precisamente esta fase cs la mitad desu sluci6o. Un problema se podré Aefinir siempre como una pregunta, surgida de ‘observaciones mas © menos esructuradas acerca de una realidad existente. Podemos decir que el problems noes més que formular claramente la idea misma de investgacion Etapa N° 2: Bspecificacion de los abjetivos En esta etapa se determinan los cbjetivos de tuna manera clara buscando que den respuesta a las preguntas: qué, c6mo, cuéndo y dénde fnvestign, Es uns buena metodologis, a li hora de jax objesives para una investgncin, hace Ins siguidntes preguntas: + :Qué informscicn se necesita para cumplircon Tos objetivosde estudio? + {Qué motiva la encuesta que se realizaré? + {Qué informacién complementaria se tiene 0 fe necesita? (Resultados de estudios y encuestas anteriores, se reslizaré una encucste piloto?) + De qué tipo de informacién se dispondsi? + {Qué limitacién(es) presupuestal(es) y temporal(es) se tcnen? + :Quéresticciones de tipo administraivoy legal te tienen? + {Qué flexibilidad tempor ‘cumplimicntode plazossetiene? para el Etapa N° 3: Elaboracién de cundros de resultados Se debe imaginar y eflexionar scbre el tipo de cuadros do resultados que se esperi Etapa N° 4: Definicién de datos a colectar ‘Aqui se determinan tas caracteristicas de interés que se van a medir y para exo se debe preguntar: {qué tipo de informacién daré respuesta alos objetivos planteados? Asf mismo, establecer los indicadores asociados a estas Etapa N° 5: Definietén de In poblactén ‘objetivo y de Ia poblacién investigrda gut se debe aclararlacobertura de ht encuesa, climinando dela poblacién objetivo la parte de la poblacin ideal que no es accesible pera obtener asflapoblacigninvestignds realmente Al definir Ia poblacin objeto de estado y la poblacin investigada, se debon dfinirelaraments los siguiontetipea de unidader: Unidad de Muestreo (UM): Hs cada uno de los elementos que componen Ia poblacién muestreada. Estas unidades deben cubrir toda la poblecin objerode estudio y no trslagarse (cada ‘lemento de la poblacin objeto de estudio debe perenecera.una y solo una unidad de snuestreo). Unidad de Estudio (UB): Es catia uno de los lementas doa poblacién objeto de estudio tabre los cuales se reslizarén las mediciones u ‘observaciones. Conceptos y Aplicaciones de los Métados de Muestreo - Serle Monografas: Estadistica ~| 9 0 -RAPABL KLINGER ANGARITA Etapa N° 6: Definicién de los métodos de medida Ladefinicin de los métodos de media depende de las necesidades, dificultades, ventajas y ‘desventajas de ellos Con respecto al estudio que serealiza, Los principales métodos de medida o de recoleceién de informacién son: entrevista personal, entrevista telefénica,cuestonario auto ‘Mdministrado en forma directa 0 por coreo, y la obtervacién directa (mediciéa w observaciéa). Dependiendo de las necesidades del estudio ser pertnente obtener Ia informacion mediante la mezcla de varios de métodos anteriormente relacionados. Etapa N° 7: Marcos de muestreo ‘Agu se define y confronta el medio fisico a través del cual se Megara as unidades objeto de cexudio, [Bjemplos de marcos de muestreo son: censos, planos 0 mapas cartogréficos, lista, archives, registro, ee. ‘Se debe buscar siempre Ia ms alta eficienci ‘del marco y para ello se hace necesarioanalizario yactualizarlo profundament. Etapa N° 8: Precisiin y confisbilidad Antes de calcularel tamafi de a muestra que serequiere para adelantarlainvesigacicn, se hace necesario determinardos elementos fundamentales en la definiciéa de dicho tamasio de muestra: la precisién y la confabilidad. La precisién se define como el méximo alejamiento que se esté dispuesto a tolerar ceatre el parimetro y su estimacién. Debe tenerse presente que In muestra que se use, puede subestimar 0 sobreestimar el parémetro {gue se esté midiendo con el estimador. Lo anterior se resume en la llamada ecuacién de precisi¢n: {La confiabiidad (1-0)100%, con O-< ar <1, ‘est defini como la seguridad de que se cumpla la precision estipulada y ests medida en técminos Ge probabilidad [6-9 |S8 p— Brorabsolu de moesieo pees | [Eee Pari ¢ Al considerar conjuntamente la precisa y la confcbilidadse tiene la siguiente expresin lamada ‘ccuacion de precision y confibilidad, en del y Cond PC [6-6 |58 @-a) Remedi Coit ‘Universidad del Valle - Bscuela de Ingenieria Industrial y Ratadistia (EIIE)FO SOSVSIPFFIFFITISGIFFSIFFSOSSIFSPIISVSESIUOUVUUUVUCUVewvwvs ea LA IMPORTANCIA DEL MUESTREO EN LA GENERACION DE CONOCIMIENTO Estandarizando (dividiendo Ia ecuacién de precisién por la raz cuadrads de Ia varinza del estimador V (G)). bajo! supusstode normalidad, se obtiene la eouacién fundamental para el tamaiio Ge fa mest +5 la abscisa que se obtiene para una conhabiidad expecificada (1-)100%, usendo la Aisibucién normal, 5: Error Absoluto de Muestreo 2g, Nivel de Conflanea Za nf V(8):Varianza det Estimador tapa N° 9: Determinaclén del tama de la muestra Antes de determinarfinalmente ef tamaio de ‘muestra querequier lainvestizacisn, es neceserio analizar cudl de los métodos de muestreo es el més conveniente para la obtencién de la Informacién, esto depende de la informacin que se tenga y que se requiera, asf como de Ie iapa N° 10: Encuesta piloto En esta etapa se realizan, entre otras, las siguientes actividades: > Se prucban los cuestonarins en condiciones reales, > Se prueban los manuales de campo, > Scestiman algunos parimaros (estimaciones adelantadas, como por ejemplo: S) > Secontrasta la idoneidad del marco, > Seestime la tacade no resptesta yladificultad ella tora de informacién factibilidad del método, el nivel de confienza uilizado, Ios costosrelativos decada método el tiempo que se gastaré en Ia recolecciéa de informacicn De acuerdo con Ia figura 2.5, se deben ‘compara a Ja luz de los anteriores aspectos, Jos iferentes métodos de muestzeo para finalmente caleular el tamafio de muestra con el método elegido, gua 25. Valralin de diferentes métodes de mace > Se obtiene una idea més precisa del costo y duracin de Ia encuest, Ftapa N° 11: Organizacién del trabajo de eainpo ‘Una vez ealizada la encuesta pilot, y com base cnsus resultados, se entena ado personal que) realizaréel trabajo de campo aclaréndose aspectos fundamentals como los objetivos de la encuesta, Jos métodos de meiciGn que se empleardn, ete Tgualmente se planes la no respuesta y se prusban todos los manuales de la encuest sl igual que la sdministracién en sd a misma, Conceptos y Aplicaciones de los Métodos de Muestreo - Serie Monografias: Estadistica[RAFABL KLINGER ANGARITA ‘Buapa N° 12: Baiclon y procesamlento de Ia Informacion ‘Aspects que se deben tener en cuenta en esta espason: > Baitar los cuestionarios pare desechar 0 camepir datos equivocados. > ‘Tomar dessiones sobre la no respuesta. > Procesamiento de datos mediante software. > Clloulde as estimacionesy suserrores para legparimrs involucrados ea la investigacin, Buapa N° 13: Kstuacion de resultados ‘Aqui se relizan entre otras las siguientes setividades: > Se contrasta el diseio terico que se aplicé con lor ealindos. > Se evalin los errores de no respuesta asi ‘como su incidencia enc! estudio. > Se estudian los costos adicionales en que inca estudio. > Seplanean cambios y/o sjustesparapréximos candi similares. tapa N° 14: Pre resultados. taclén y difusion de Se analiza y decide lo concerniente a Is taborcin dela fcha tonic del estudio realizado, asicomo la mejor manera de difandirlosresultados RAPAELKLINGER ANGARITA estas preguntas son obtenidas spetiane el uso dela Tnferencia Estadisicn 1a al, er, seaimenta de ls resultados obtenidos «Sno epic del Estas Descriptive os datos que fueron obteidos de la muestra Sepongs tembign que la. empresa necesita evisre proceso de fbricacin y e=pecialmente Toa facores que inciden en el peso del neumitico ‘elescnmo: longtud;ancho y espesor, para que ‘La moeata oe constitu asi en un componente ondamentl par te Taferencia Estadistica,siendo ‘Del aniisis de los datos procedentes den cud esadstica aplcado a une determinada ‘hain obenidos modiante una MUESTRA de dade, egeneraninerrogantes, os cuales 500 produceién (poblecién total de neuméticos) flndamentalmente de los resultados de fa inferenca, los cuales, a suvez, deen tener como ‘base ta muestra probablistion correctamente dliseinda. ‘La figura 28, reaciona Ia importancin de fe nuestra para Ia obtencién de inferencias. sta, ae ver, Ja ba tomen sobrela poblacién. 2.5 Muvsmano, Teoria ¥ EMPIRISNO el andlisis de datos, produciendo aplicaciones ‘conoreias de Ia tora, Existe de esta manera un ‘etrecho vincalo entre a teoriay el empirismo!,¢ {eaves delanilisis de datos, os cules son obtenidos mediante la aplicaciOn correcta de Ia teoria del fmuestreo. La relacién entre la teorls y el ‘empisismo teniendo como ceatro cl nis de datos ‘puede apreciarse en la figura 2.9. — TTegvin cnet finden Destonario SFASA Gnswersidad del Valle - Bscuca de Ingonteria Industrial y Batadistics (ENE) — | |1LA IMPORTANCIA DEL MUBSTREO BN LA GENERAGON DE CONOCIMIENTO 2.6 CAKACTERISTICAS DESEABLES DE UNA INVESTIGACION POR MUESTREO (Cuando se reaiza unainvestigacién pormuestreo tgristicasbisicas, les cuales se relacionany expli- es deseable que ella, cumpla con unas earae- can someramente a continuaciga, = ——__—_! ‘Se refire a 1a utilidad de los resatados estaditicos obtenidos en 10 =a > tc dl emg ebn sora end | obtenidesen forma ripid. | ‘Serefiere ala proximidad que debe haber ene las estimaciones obtenidssy los parimetrosestimalos eorespondienes, Por esto Ia ‘esta debe repreducr as crass poblaconales de Te, ‘manera ms exata posible eiguamente el esimador debe et Precio e insesgato hacer ques sxgo sea deepreciale Conceptos y Aplicaciones de los Metodos de Muestreo - Serie Monografas: Estadistica TTT EAS SFASFBILZASSESSEVGUUOVUCEVUVV| 32 oo 00 10 10 Beonoml Universidad del Valle - Bscuecla de Ingenieria Industrial y Rstadistica (ETE) re [RAFAEL KLINGER ANGARITA ‘Se refer a posiildad de obtencié que deben tenes les datos y os reulndos Sein la legalidad vigent. Se refer al prafundidad yal sleance o caimicato dels ‘oneluronesobtenids Se eflere aos costs iavelucades en todas cada uma ce as etapas eI investigacion por muesteo, ‘Se refiere a la capacidad de integracin y comparabilided de los ‘eulados obtenos oo los resulados de ot investigiciones ‘Similars ya realizadas. Figu210. Caractere deenble down invetigacion por muestra.3, LOS METODOS DE MUESTREOIPS RTITSFSFFSPPFFSTIPSAISFIFISISIISIESIVI I SE GSCVUVUwooCwewwrwyse aR LOS METODOS DE MUESTRED 3.4 Técnicas DE MUESTREO Gracias als muesteas el ser humane adquiere conocimiontos para desurollarse en su Vida cot diana ycientfiea; mucho de lo que hoy e sabe ha sido deducido mediante el andlisis de una muestra “pica Ja cual se puede defnir como aquella en Ja eval su contenido de informacién reproduce en Jo fundamental las tendencias, variacione y racteristicas generale de la poblacién de Ia cual La tipicidad de una muestra se puede lograr + mediante un adecuado procedimiento de selccica de las unidades que la conforma. Ea este seat do, se dice que un procedimiento de selecisn de Jas unidades de la muestra puede hasarse 6 no en ‘mecanismosalzatorios mediante las cusles se co- ‘nozca con antcipacia la probablicad de que cada ‘unidad poblacional pertenezea one a la muestra. ET hecho de que la seleccién de una muestra estébasada ene culo de probabilidades permi- ti Ia apicacién de las hecrarients de a Inferen- cia Estat stica haciendo que las coxclusiones 0b- tenidas del tratamiento dela informacién obtenida desta, tengan carter cientfico y pueden api- carse a tods la poblacin de Ia cud se extrajo la Dependindo de sila soleccién ce las unidades smuestales est basada ono el efleto de probabi- lidades, el muestre se clastice en MUESTREO PROBABILISTICO © MUESTREO NO PRO- BABILISTICO. Ver figura 31. Figura. Clrieacin de lor miter de muctree, 3.2 Murstaro rrosasitistico a estos méodos todas ls unidades seleccio- nadasparala muestra, tienen una probebilidad co- nocida de inclusiénenellay su seleciéa serealiza mediante procesosaleatorios. Un proceso de seleccin aplieadoa un conjun toe datos o unidades se dice que es sleatocio si Conceptos y Aplicaciones de los Métodos de Muestreo te da a cada uno oportunidad igudl de ter elegi- do; esto puede lograrse mediante el uso de una tabla deoimeros aleatoros, dispositvoe manuales (papeletas marcadas 0 fichas/balotas) 0 disposii- voselectrénicos mediante el wo desftware como se muestra en la figura 3.2. ‘Serle Monografias: Bstadistica[RAFAEL KLINGER ANGARITA ‘Sin enor en ‘an sumer = ‘Sain aera “suntan mes iguea3.2 Formas dream proceso etoria. PROPIEDADES DEL MUESTREO PROBABIL{STICO Lot métodos de selecciém probabilistica cum- leu cou as siguicates propiedades bisicas > Dadauna poblacin de tamatioNNy spoyén- ote en un marco de muesteo es siempre posible defnirun conjunto de kmuestas de ‘umafon, (n- A cada una de las k muestras es posible ‘asigparle una probabilidad conocida de se- lec: (2,20, vi PSDB YIALDA woke 9) So > El prosto de selec de cad una de lat rues e akatorioy depende de su pro- ‘bldal > Elproeso de selec de una ves ga- tania qe todo elemento de Ia poblacin tenga wi probailidd diferent de ceo do pertenerer una muestra seeccionad > Elproceimiontoparacbzener ualgir es timacién con bse en la muest,debe ete etnies eondocira un nico valrsespec: tode dene macs Universidad det Valle - Escuela de Ingenieria Industrial y Estadistica (EME)PRP PPT FSFSFSSFSFISSSSSFFESSSSSISESESIEGVVVGUGGVUVws wera | | | } | 108 METODOS DE MUBSTREO Note Sellama diseio asestra lconjunto Sin PASDs 6S) } 11,23, 5,2 P.(S,): Probabilidad de seleccionar | Ja muestra it Muestrai~ ésima de tamako Estimador del parimetro @ p={s, Bis 45)} + neu gi nia + Rintleers pando + Ricoocty cana dere Fgurs33. PropidaderBisicardeum muesove prods, PRINCIPALES METODOS DE MUESTREO PROBABILISTICO + Muestreo Aleatorio Simple Este método de muestreo €s el método probabilistico més estdiado y gracias alas prop: dades que 6 posee con elacién a la estimacin de pardmetros y los errores de muestre, se ha con- vertidocn el método mis utlizado y elmétodo base ‘para la realizacién de los otros métodos probal Ketiooe do macetroc Se define el método de muestreo alestrigsim- plecomo-el método consstenteen sleccionar una muestra de n elementos uno a uno de una pobla- ida N, de tl forma que eada unidad poblacional tenga une probabilidadidéntica y conocia de per- tenecer ala muestra. Aquf cada elemento 80 se Jeeciona en forma independiente de los dems y su extracciGa se realiza mediante un proceso aleato- ‘oa partir de un marco de muestreo ‘Se puede diferencia dos tipas de muestcoales- torio: 2) Muestreo con repsicion: cuando uns uni- ddd cualquiera que ha sido seleccionads serepene (ce devuelve) a i poblacién antes de seleecionar Ja siguiente unidad, manteniendo constante Ia es- tructura de Ia poblacién. b) Muesteo sin repos ‘ign en cuyo caso la muestra se obiene elemento por clemento, sin reponer Estos (no ze devuelven) ‘Ta poblacién antes de cada extraci6n, aqu cam- bia en cada extraceign In estructura de la pobla Bjemplo Suponga que se desea realizar una encvesta al {interior de una unidadresidencial emrada compucs- ‘a por 200 apartamentos coa el objetivo de tomar Aecisiones sobre el manejo administativo y de ser vieios que tiene la unidad. Para ello, se toma el Tistado de todas las familias propietaraeo inquil- nas de los apartamentos y después de asignarles ‘un c6digo desde cl 001 hasta el 200 se procede a ‘generar tantos nimeros sloatoris comprendidot Conceptos y Aplicaciones de los Metodas de Muestreo - Serie Monografias: EstadisticaRAFAEL KLINGER ANGARITA cen este rango como tamafio tenga 1a muestra sleatora de familias que se haya defini. © Muestreo Aleatorio Bstratificado En este método se divide la poblacién en ssubpoblaciones o partes llamadas ESTRATOS, en Tos cues se debe buscar Is homogencidad de sus ‘uidades y Ia heterogencidad entre grupos. Poste- riormeote se seleccionaen forma independiente de cada estrato una mussra aleatria simple y fnal- ‘ment Ia moestra total seré Ia suma de las mues- tras de cada uno de los estratos jemplo: {Los vebfulos destinadr al servicio dels dife- rentes dependencias del municipio de Cali, se agra- pn en as siguientes categoria oestratosde acuer- do con ou naturaleza y uso: Categoria 1: buses y camiones; Categoria 2: automévles; Categoria 3: ‘maquinaria pessda y Categoria 4: motos. Con el finderealizarin esidio tivo y de manteimiento sobre estos vehfculos se reaiza un muestreo ales {orio proporcional en cada categoria conformando 4 esta manera una muesta con participacién de todas las categorns. Los vehicuos asf seleceiona- os seria enviados 2 los talleres para su evalus~ ci wna © Muestreo Aleatorio por Conglomerados an este método, las unidades elementales se encuentran formando propos de unidades mis gran- {es llamadas CONGLOMERADOS (por rszones. administaivas, geogréfica, 0 de proceso y ma- ‘jo. Seleceionamos un grupode conglomerados usando un muesro aleatri simple oestratificado yencada conglomerado se analizan omiden todas las unidadesclementales que la componen o bien tana parte de ellas utiizando nuevamente un uestre aletorio simple dentro de cada conglo- rmerado, Es importante tener presente que Ia ef- clencia de este método se presenta cuando al inte- rior de cada grupo o conglomerado hay alta hete- rogeneidad entre las unidades y al comparar los ‘prupos respecto de sus medias hay alta homoge- reid, Bjemplo: En una frice de refescos se desea medi el contenido promedio de liguido por betes, para mantener el estindar de calidad, El producto se empaca.en cenasillas de 12 unidades ol, Para tal propésto se tom una muestra aleatoria de cinco cajas de refrescos y se determina en cada una de las botellas de cada caja el contenido exacto de Liguido, Este andisis debe ser realizado al comien- zo de cada turnoen laplanta con en fn de calibrar las méquinas embotelladoras dl refresco. = Muestreo Sistemético [Las unidades elementales aparecen en listas 0 presentan una secuencia que permit a seleccién dona muestra sltos. Para ello, seelige un pun to aleatorio (primera uniiad seleccionada) dentro de las primers I unidades y posterioemente las ‘estantes unidades se escogen a salts cada k uni dades de la lista 0 secuencis. | Agué: N,esel tamalia dela poblacién;n,ela- aiiodelamuestray kunenterotal que NY = nk Ejemplo: Con objetivo de medire nivel decontamina- cin de metales pesados en wn terreno de forms lnregblorsledafio a use empreat indasteal la cual 30, La fgu- 143.7, muestra el significado del teorema Cental {el limite pare tes distribusions my comes en ltjnrestadistioo como oso ls distibuciones Noma Qi=0, 1; Unifonne (u=05,0=0.29) 1 Expononcial Negatva(u= 1,0 0). Conceptos y Aplicaciones de los Métodos de Muestreo - Serie Monografias: Estadistiea = =FIFFFFFFFFFFPFFFIFFIFIFISISFFISFSSFSSSIVsvvvwvwwvwvwwwww LOS METODOS DE MUESTREO + LEY LA LEY DE LOS GRANDES NOMEROS -Bsia ly guarda mucha elacién con el teore- sm central del limite y esublece que: SIX, Xp Xow Son m variables aleatorias independiente, distribuidssidénticamente (Todas tienen la misma funcién deprobabilidad enel caso Aisereto 0 funcién de densidad en el caso cont- ‘nuo) con medi jy variaza ofinitas,entonces para 2 PAlKy nl>deo se cumple que para 30 tim Se dice que: “, ns wn Xn = Hen probabili- En muchas cicunstancias Ia informacién que 1 obtiene de una poblasién asindose en una mucsira se realiza sin e! uso de metodologias aleatorias sn el uso de marcos de muesteo, m- cas veces por Ia no tenencia de éstos 0 por la imposibiidad de su levantamionto. Este tipo de ‘muesteo puede dar resuludos stiles lo cuando Ja representtividad de la muestra sea satisucto- 1a, hecho que ocurre cuardo la poblacién esate ‘mente homogénea. Sin embargo, en estos disefos 1 se podré utilizar a tear del ealeulo de probabi Conceptos y Aplicaciones: a, sigificando que: cuando n se ace muy gran- de entonces X, se acerca 8, 3.3 MUESTREO NO PROBABILIsTICO Fidades para darle objtividad las conclusionos cbtenidas ‘Elmuestrco no pecbabilsico presenta ventajas ‘en comparacién con el muosteo probabilstico en cl aspecto econémico ya que exige personal me- nos entrenao y menos costoso, pero presenta una seria desventaja en comparscién con el mucstreo probabilisticoy es su imposibilidad para genecar nferencas cientificas. ‘Lafigura 3.8 relaciona os mstodos de muestreo ‘no probabilisicos més eonocidos: as Métodos de Muestreo - Serfe Monogralfas: RetadistioaRAFAEL KLINGER ANGARITA AGHUPACION CASUAL “CuOTAS MUESTREO NO PROBABILASTICO >] SES alee ror seeeereny Figura3.8. Méodosdemuestreone pobabitten pbs ecm stn Ne ao "penton Tain caren arenes ‘Seaton en uel eal eazy ‘et mcosrncne(RORMA DEPORAMID)| ‘MUESTRED DE VOLINTAROS, Eto MUESTREO DE UNIDADES DE FACR. ACCES, 1 Sor dea cen mcm 9 uss De CONVENENCEA: 1 Ue pode 3.4 EScaias bz MEDICIN, DATOS ¥ MUESTEEC qategron kino ox DA- rob vn cronies acracios Se ee aracsenemen eee crea paiataomecne en element wl prt Ne oes ici soe Seton eee ff ces ces tl as ‘unidades bajo andlisisea unainvestigacica, se pue- den diferenciar los siguientes niveles 0 escalas de ‘medicién: ercala ordinal, escala nominal, esca- 1a de intervalo y escala de razén. ‘Mediant la figura 3.9 se carncteriza cada une 4e las escalas de medici6n usadas para la clasifi- caciGa de los datos estaisticos sirviendo de base pra su posterior procesamiento. Universidad del Valle - Escuela de Ingenieria Industral y Estadisticn (E15)PHF FFFFIFIFIIFIFTFIFIFIFIIIIIFSTIAIIIIII VV VVvVv VV vVvvVVVwe peter ten cena mnteenneeninrsnaraanatamnittnennemaniia sail LOS METODOS DE MUBSTREO fe s “Sova sia de obec ee encores as wind pater ‘coeeral SCALA DE TRV (eno, On Dia tw ita nt ft ‘Bedok an stance wea gasses || TESCALA DERAZON poate Ores Sue we a ‘atc eamperi9 pombe har iunadn occ eae de ‘ita ardagy neemar epee guns9 Caractrzcion dea ecole de mediin de dato etait, ‘De acuerdo con lo anterior, se puede clasiicar ls datos provenienes de una investigaciéaen DA- ‘TOS CUALITAIIVOS (CATEGORICOS),enlos cuales los nimeres son identficadoreso simple- ‘mente nombres esjgnados al aribatoinvestigado t mesh mid ojo dete ewe cnoe /,) Slosinesign sete wut lapeysee pescado epoctdkbecmcastes omercensss opm la snc, Conceptos y Aplicaciones de los Métodos de Muestreo - Serie Monografias: Estadistica[RAFAEL KLINGER ANGARITA ‘Bn esta clasficacin se lncluyen todas las ex acterstcas que, de acuerdo con su natualeza, de- ‘en ser medidas utilizando las escalas nominal y ondinal. Este hecho permite clasfiar el muestreo probebilistico como un MUESTREO PARA ATRI- BUTOS ‘De cto lad, Jos datos que son el resultado de a observacién de una caracteistica que mide Ia cantidad de algo haciendo que la nturaleza deésta fea esencialmente sumérea, se denominan VA- RIABLES; en este caso, se desea investigar pro- medias, totals, razones, et, y en esta clasifica- dn estin todas las caratersticas que, de acuer- ESCALA NOMINAL SCALA ORDINAL SCALA DERAZON er) | ures Ls ESCALA DEINTERVALO [ss = S wussrac0 Pigu’310, lsc de lor mito dp mace deacerdo ona eats demotion {do cou suustualers, debon sor medidas tlizande lasescalas de interval y de 4260, pemitiendocla sifiar el maestro probabilistico como MUES- ‘TREO PARA VARIABLES. Ver figura 3.10. Si una caracteristics esencialmente numeri ca reclasificaen eategorias, como por ejemplo, al definir que viejo es una persona mayor de 60 acs y sees interesado en la proporciGn de perso- ‘nas que en una poblacién pertencen ata catego- ria,entonces se haba de un muestreo para atribu- ‘tos, Aqui el ateibutoinvestipado es ser viejo. \ vais Universidad del Valle - Racuela de Ingenieria Industrial y Pstadistica (CHE) shila tA A A ms ann a ae ee ee4, MARCOS DE MUESTREO 42 AAlgunos problemas de los marcos mucsrales. | 43 Tipos de marcos muestra 444 Delimitando la pobacin objeto de esta. 45 ‘sas raion ene podnova demic. 46 Factores que determinan Ia calidad de un marco mvesta FHPSFFFFSISSSSHSFSIFSSIFAGIIGSG ite ggFIPSPFISFSIFSSIFIFIFIIIIIFIFEAFSFSFVIVVWVVVVVVV VV) wees ntact) 1 1 i MARCOS DE MUBSTREO EI marco de muestreo es un medio fisico 0 magnético que permite ubica identifica ls un dades que pertenecen ala poblacién objeto de es- ‘ndioen una investigaci6o. Laimpertancia del mar- code muestreo es tal que en ausencia de éste, es imposible realizar una investgaeiéa usando un iuestreo probabilistico, lo cual niega de plano la posibildad de hacer Inferencia Estadistie, para la ‘cbtencién de las generalizaciones hacia la eb cin investigads. Hay que decir que la tenencia 0 ‘po de un marco de muestreo determina el tipo de ‘muesteo que eutlizard. El maestreo probabilistic precisumente necesita dar a cada unidad de a po- DlaciGn objeto de estudio una probabildad diferen- 4.1 Derincién te de cero para gue ella sea seleecionada en Ia ‘muestra que flaalmente seréestudiads o medida Esta circumstanca es la que’ genera a necesidad de disponer de un medio que permitaubicary ac- ceder a cualquiera de las unidades seleccionadas, ‘Un marco de mussreoces, ene sentido mis gene ral, una lista de Is unidades ya que en ella deben estar todas las unidades objeto de estudio consti yéndote asf en el medio que faciita su ubicacién sinambigUedad, DDisponer de un buen marco de muestreo, por mite obtener buenas estimaciones sobre la pobla ign objeto de esto, basados en la muestra obte- nda a través de éste, Ver a figura 4.1 Figur 1. Relciomes del marco de muasro con tres element dela ivetiacn 4.2, ALGUNOS PROBLEMAS DE LOS MARCOS MUSSTRALES Ene las sitmaciones mas comunes que orii- ‘nan la ineficieneia de un marco muestal estén las siguientes: Enel marco no aparocen algunas tnidades dela poblacién investiga. En el marco existen unidades extraias (equellas que sparecenen el marco y no son ‘© no estén relacionadas con Ia poblacién objeto de estudio). 0 Bnet marco hay unidades vacas (nidades muestrales relacionadas con le poblaciéa ob- Jeto de estotio pero no hay razén para que ‘estén en el marco, por ejemplo, una casa sdesocupada). Enel marcotay unidadesrepetidas (an nom- bre 0 edgo aparece varias veces) contiene unidades waslapadas (por um misma persona es encuestada en dos cass: diferente). Conceptos y Aplicaciones de los Metodos de Muestreo - Serie Monografia: EstadisticaSS [RAFAEL KLINGER ANGARITA [Las anteriores situaciones obligan necesari monte a reviser y actualizar los marcos de ‘muestreo antes deseleccionar la muestra wilizan~ dolos como soperteparallo. “Algunas veces toes posible Megara a unidad bjeto de estudio directamente ya que ésta seen cuentra dentro de cas unidades muestrals inter- smedias, las cuales, su ver, se encuentran inver- sas en otras y as sucesivamente. En estos casos setrata de un muestreo mutietipico y se debe dis- ‘poner de varios marcos de muestreo. A manera de ‘ejemplo, hay que suponsr que se quiere realizar ‘una investigociGn en la eal la poblacin objeto de estudio son ls viviendas de una determinada ciu- dad. Aquino se dispone Jesde luego de un listado Ge dichas unidades muestra pero se puede Ie- ‘par aellas mediante un éequema como el mostra- doen a figura 4.2 Figus42.Mitipesmaror de muesteo pare ils pblacione. cael Main dee de mans Bs bueno aclarar que aqul, a medida que se ‘van seleceionandolas unidades mayores 2 a asf ‘mismo conformando el marco de muestreo para “Lostipos de marcos muestales mds usados son listados, registos y directorio, archivos, planos “nes satlitales, Ver figura 43. Pigua 43. Rlemplodemareordemueseo las unidades menores ss cuales estin comtenidas en las primeras, haste llegar al listado de casas dentro de ls cuadras sleccionadas 4,3 Tieos DE MARCOS MUESTRALES cartogrificos, mapas, ftografas areas ¢imsige- Universidad del Valle - Escuela de Ingenieria Industrial y Estadistica (ILE)2 2 A 3 > > 2 2 e ® ° > ” > > > = 2 2 * ° > °° * * ” 2 ” = > MARCOS DE MUBSTREO TPEANOS CARTOGRATICOW MAPAS Comuna -10 gua 43.Rjmplos de marco de mutes (cntnnecn) Tomade de rasa ges Conceptos y Aplicaciones de los Métodos de Muestreo - Serie Monografias: Estadistion on[RAFAEL KLINGER ANGARITA FOTOGRAFIAS AEREAST IMAGENES SATELITALES. igu.Remplas de marcer de meta (continsaiin) “ema dewecberalt 7 ‘Universidad de! Valle - Escuela de ingenieria Industrial y Wstadistica (SIE)PPFTSSISSSSISTSIFIISISFSIIFIIFISLITISVVIWVVVVUVVvVwVw MARCOSDE MUESTREO 4.4 Dexmrninpo LA POBLACION OBJETO DE ESTUDIO, En a determinacién de una poblacin objeto de estudio involuerada en una investgacién estaditi= a, sucleninterveir tres elemeatos fundamenta- ‘que serin medidas, y ls caractersticas que deben ‘cumplirls unidades que serin medidas, La Figura 144, presenta la poblacié: objeto de estudio como esque oniribuyen ala validez de a investigacion. un subeonjunto de lostretaspectos antes mencio- Ellos son: el tiempo en eleual debe realizarse el nados estudio el espacio que ocupan las unidadesfisicas BenaTAGON (CARCATERSTEND Figura 44, Blemenios que deimten a polaciém objeto de xu en una invesigacn, 4.5 ALGUNAS RELACIONES ENTRE LA POBLACION OBJETIVO Y BL MARCO DE MUESTREO Aluttizar uno varios marcos muesrales so- tan unidadesfaltantes, uniadesentraias 0 unida- ‘bre los cuales se obtendcin las unidades que final- des reslapadss. La figura 5 representa ls situac ‘mente serin medidas Ia situacin ideal se presen- cin ideal querelaciona e: mateo muestral con la {an cuando dichos marcos coinciden exactamente _ poblacién objetivo de estudio. con la poblacién abjeto de estudio yno se presen- POOLACION Popiacion > —onevo ‘OBIETVO. MUESTRAL blaine "mo mesial ys * . t amruncrov nese "igua §8,Saaionr eles dela lain entre la poten yloswarcsmucials Conceptos y Aplicaciones de los Métodos de Mi treo - Serie Monografias: RstadisticaRAFAEL KLINGER ANGARITA ‘Al tilizar los marcos muesrsls pare seleceio- a la muestra de la poblaciéa objetivo, se debe tener musho euidadoo¢ aia en ellos las cuales favorecen la existencia de ‘unidades traslapadas, unidadesfalantes 0 unida as aberraciones conte- des extrafias. Cualquer aberracién existente en el ‘marco muestra utlizado debe ser comegida opor- tunamente, La figura 4.6 muestra alg-nas aberra- cones existents exe la poblacin abjetivo y el ‘arco muestra utlizado. FoaLaGen anime igre 6, Staines aberants dela enn poblacnylosmarces mutes ace mera ‘ee talent aban abet paseo vam Figen d6,Staaclones aerants dl rele entre poblaiy le marcos muestales(contnuatén) 4,6 FACTORES QUE DETERMINAN LA CALIDAD DE UN MARCO MUESTRA Para tener una idea sobre ia catidad del marco muestra que se usaréen na investgacién, se de- ‘benanalizarlos siguiente aspestos: ‘+ Exbaustividad del marco muestel + Mentficaciénno ambigua delos elementos { _inefuidosen as unidades de muestreo, 4+ © Que permita Ia definicién de una regle de ssocicién entreunidades del marco muestra _ylasunidades dela poblacién objetivo + Cada unidad de la poblaciénterdré. una pro- Dabilidad conocida de selecciéa. © No debe inclu unidades que 20 pertenez- can ala poblacién objetivo. ‘+ Debe ser de fil manipulacién y uso. ‘= Debe estar organizado sistemitica- ‘+ Debe contenerinformacién auiliar que per rita usarse en el disefio muests Universidad del Valle - Eecuela de Ingenieria Industrial y Bstadistica (ELLE) nei