ESTADISTICA I PROFESOR WALTER LOPEZ MDULO 10 Muestreo

TIPOS DE MUESTREO Los autores proponen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: mtodos de muestreo pro a il!sticos " mtodos de muestreo no pro a il!sticos# Muestreo probabilstico Los mtodos de muestreo pro a il!sticos son aquellos que se asan en el principio de equipro a ilidad# $s decir, aquellos en los que todos los individuos tienen la misma pro a ilidad de ser elegidos para formar parte de una muestra ", consiguientemente, todas las posi les muestras de tama%o n tienen la misma pro a ilidad de ser elegidas# &lo estos mtodos de muestreo pro a il!sticos nos aseguran la representatividad de la muestra e'tra!da " son, por tanto, los m(s recomenda les# Dentro de los mtodos de muestreo pro a il!sticos encontramos los siguientes tipos: $l mtodo otorga una pro a ilidad conocida de integrar la muestra a cada elemento de la po lacin, " dic)a pro a ilidad no es nula para ning*n elemento#

ESTADISTICA I PROFESOR WALTER LOPEZ Los mtodos de muestreo no pro a il!sticos no garanti+an la representatividad de la muestra " por lo tanto no permiten reali+ar estimaciones inferenciales so re la po lacin# ,$n algunas circunstancias los mtodos estad!sticos " epidemiolgicos permiten resolver los pro lemas de representatividad aun en situaciones de muestreo no pro a ilistico, por e-emplo los estudios de caso.control, donde los casos no son seleccionados aleatoriamente de la po lacin#/ $ntre los mtodos de muestreo pro a il!sticos m(s utili+ados en investigacin encontramos:

Muestreo aleatorio simple: $l procedimiento empleado es el siguiente: 1# &e asigna un n*mero a cada individuo de la po lacin 0# 1 travs de alg*n medio mec(nico , olas dentro de una olsa, ta las de n*meros aleatorios, n*meros aleatorios generados con una calculadora u ordenador, etc#/ se eligen tantos su-etos como sea necesario para completar el tama%o de muestra requerido# $ste procedimiento, atractivo por su simple+a, tiene poca o nula utilidad pr(ctica cuando la po lacin que estamos mane-ando es mu" grande# 2

ESTADISTICA I PROFESOR WALTER LOPEZ $-emplo: formar el equipo de f*t ol de la universidad seleccionando 11 oletas de una urna con el nom re de todos los alumnos de la universidad#

Muestreo aleatorio sistemtico: $ste procedimiento e'ige, como el anterior, numerar todos los elementos de la po lacin, pero en lugar de e'traer n n*meros aleatorios slo se e'trae uno# &e parte de ese n*mero aleatorio i, que es un n*mero elegido al a+ar, " los elementos que integran la muestra son los que ocupa los lugares i, i23, i203, i243,###,i2,n.1/3, es decir se toman los individuos de 3 en 3, siendo 3 el resultado de dividir el tama%o de la po lacin entre el tama%o de la muestra: 35 67n# $l n*mero i que empleamos como punto de partida ser( un n*mero al a+ar entre 1 " 3# $l riesgo este tipo de muestreo est( en los casos en que se dan periodicidades en la po lacin "a que al elegir a los miem ros de la muestra con una periodicidad constante ,3/ podemos introducir una )omogeneidad que no se da en la po lacin# 8maginemos que estamos seleccionando una muestra so re listas de 10 individuos en los que los 9 primeros son varones " los 9

ESTADISTICA I PROFESOR WALTER LOPEZ *ltimos mu-eres, si empleamos un muestreo aleatorio sistem(tico con 3510 siempre seleccionar!amos o slo )om res o slo mu-eres, no podr!a )a er una representacin de los dos se'os#

Muestreo aleatorio estratificado: :rata de o viar las dificultades que presentan los anteriores "a que simplifican los procesos " suelen reducir el error muestral para un tama%o dado de la muestra# ;onsiste en considerar categor!as t!picas diferentes entre s! ,estratos/ que poseen gran )omogeneidad respecto a alguna caracter!stica ,se puede estratificar, por e-emplo, seg*n la profesin, el municipio de residencia, el se'o, el estado civil, etc#/# Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de inters estar(n representados adecuadamente en la muestra# ;ada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formar(n parte de la muestra# $n ocasiones las dificultades que plantean son demasiado grandes, pues e'ige un conocimiento detallado de la po lacin# 4

ESTADISTICA I PROFESOR WALTER LOPEZ ,:ama%o geogr(fico, se'os, edades,###/# La distri ucin de la muestra en funcin de los diferentes estratos se denomina afi-acin, " puede ser de diferentes tipos: 1fi-acin &imple: 1 cada estrato le corresponde igual n*mero de elementos mustrales# 1fi-acin <roporcional: La distri ucin se )ace de acuerdo con el peso ,tama%o/ de la po lacin en cada estrato# 1fi-acin Optima: &e tiene en cuenta la previsi le dispersin de los resultados, de modo que se considera la proporcin " la desviacin t!pica# :iene poca aplicacin "a que no se suele conocer la desviacin#

Muestreo aleatorio por conglomerados: Los mtodos presentados )asta a)ora est(n pensados para seleccionar directamente los elementos de la po lacin, es decir, que las unidades mustrales son los elementos de la po lacin# $n el muestreo por conglomerados la unidad muestral es un grupo de elementos de la po lacin que forman una unidad, a la que llamamos conglomerado# Las unidades )ospitalarias, los departamentos universitarios, una ca-a de determinado producto, etc#, son conglomerados naturales# 5

ESTADISTICA I PROFESOR WALTER LOPEZ $n otras ocasiones se pueden utili+ar conglomerados no naturales como, por e-emplo, las urnas electorales# ;uando los conglomerados son (reas geogr(ficas suele )a larse de =muestreo por (reas=# $l muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto numero de conglomerados ,el necesario para alcan+ar el tama%o muestral esta lecido/ " en investigar despus todos los elementos pertenecientes a los conglomerados elegidos# M todos de muestreo no probabilsticos 1 veces, para estudios e'ploratorios, el muestreo pro a il!stico resulta e'cesivamente costoso " se acude a mtodos no pro a il!sticos, aun siendo conscientes de que no sirven para reali+ar generali+aciones, pues no se tiene certe+a de que la muestra e'tra!da sea representativa, "a que no todos los su-etos de la po lacin tienen la misma pro a ilidad de se elegidos# $n general se seleccionan a los su-etos siguiendo determinados criterios procurando que la muestra sea representativa# Muestreo por cuotas: :am in denominado en ocasiones =accidental=# &e asienta generalmente so re la ase de un uen

ESTADISTICA I PROFESOR WALTER LOPEZ conocimiento de los estratos de la po lacin "7o de los individuos m(s =representativos= =adecuados= para los fines de la investigacin# Mantiene, por tanto, seme-an+as con el muestreo aleatorio estratificado, pero no tiene el car(cter de aleatoriedad de aqul# $n este tipo de muestreo se fi-an unas =cuotas= que consisten en un n*mero de individuos que re*nen unas determinadas condiciones, por e-emplo: 00 individuos de 09 a >0 a%os, de se'o femenino " residentes en ?i-n# Una ve+ determinada la cuota se eligen los primeros que se encuentren que cumplan esas caracter!sticas# $ste mtodo se utili+a muc)o en las encuestas de opinin# Muestreo opintico o intencional: $ste tipo de muestreo se caracteri+a por un esfuer+o deli erado de o tener muestras =representativas= mediante la inclusin en la muestra de grupos supuestamente t!picos# $s mu" frecuente su utili+acin en sondeos preelectorales de +onas que en anteriores votaciones )an marcado tendencias de voto# Muestreo casual o incidental: &e trata de un proceso en el que el investigador selecciona directa e intencionadamente los individuos de la po lacin# $l caso m(s frecuente de este procedimiento el utili+ar como muestra los individuos a los que se tiene f(cil acceso ,los profesores de universidad emplean con muc)a frecuencia a sus propios alumnos/# 7

ESTADISTICA I PROFESOR WALTER LOPEZ !ola de nie"e: &e locali+a a algunos individuos, los cuales conducen a otros, " estos a otros, " as! )asta conseguir una muestra suficiente# $ste tipo se emplea mu" frecuentemente cuando se )acen estudios con po laciones #onceptos bsicos <ara introducir los conceptos (sicos consideremos el siguiente e-emplo: &upongamos que estamos interesados en determinar el n*mero medio de televisores por )ogar en una ciudad# <ara ello consideraremos primeramente: Poblaci$n: #on%unto de personas u ob%etos de inter s en una In"estigaci$n& $-: :odos los )ogares de la ciudad Muestra $s una porcin representativa de elementos de una po lacin, elegida para su e'amen o medicin directa# 6ote que generalmente es costoso el an(lisis de todos los datos, as! que se )ace necesario reali+ar las mediciones de inters slo en una porcin representativa de la po lacin e inferir de ella resultados que corresponden a la po lacin entera#

ESTADISTICA I PROFESOR WALTER LOPEZ $-: Medir la cantidad de televisores en un grupo de )ogares de varias localidades, municipios de la ciudad, escogidos aleatoriamente de manera conveniente# Parmetro $s cualquier caracter!stica de una po lacin, como la media de la po lacin, la desviacin de la po lacin, etc# $-: 6*mero promedio de televisores por )ogar en toda la ciudad# Estadstico $s cualquier caracter!stica de una muestra, como la media de la muestra, la desviacin de la muestra, etc# $-: 6*mero promedio de televisores calculado slo a partir de los )ogares que fueron seleccionados en la muestra# Muestreo <roceso de seleccin de muestras, se utili+a cuando no es posi le contar o medir todos los elementos de la po lacin o -eto de estudio# Tipos de Muestreo $'isten dos mtodos para seleccionar muestras de po laciones: a/ Muestreo no aleatorio o de -uicio: &e emplea el conocimiento " la opinin personal para identificar aquellos elementos de la po lacin que de en incluirse en la muestra#

ESTADISTICA I PROFESOR WALTER LOPEZ / Muestreo aleatorio o de pro a ilidad: $n el cual todos los elementos de la po lacin tienen la oportunidad de ser escogidos para la muestra# Dentro de este tipo de muestreo se encuentran: #1/ Muestreo aleatorio simple: el cual es un mtodo de seleccin de muestras que permite que cada muestra posi le pueda ser elegida con la misma pro a ilidad# <or su parte cada elemento de la po lacin tiene la misma oportunidad igual de ser incluido en la muestra# #0/ Muestreo sistem(tico: mtodo en el cual los elementos que se muestrear(n se seleccionan de la po lacin en un intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio# #4/ Muestreo estratificado: mtodo en el que la po lacin se divide en grupos )omogneos, o estratos, " despus se toma una muestra aleatoria simple de cada estrato# 1qu! la varia ilidad dentro de cada grupo es peque%a " entre los grupos es grande# #>/ Muestreo de racimo: mtodo en el que la po lacin se divide en grupos o racimos de elementos, " luego se selecciona una muestra aleatoria de estos racimos# La varia ilidad dentro de cada grupo es grande " entre los grupos es peque%a@ es como si cada racimo fuese un peque%a representacin de la po lacin en si mima# $l seleccionar uno u otro tipo de muestreo depende del pro lema en cuestin# 1nalicemos nuestro e-emplo# Error Muestral

10

ESTADISTICA I PROFESOR WALTER LOPEZ $s la diferencia entre el par(metro de la po lacin " el estad!stico de la muestra utili+ado para estimar el par(metro# Distribuci$n muestral $s una lista de todos los valores posi les de un estad!stico " la pro a ilidad asociada a cada valor# &e considerar(n la distri ucin muestral de medias " la de proporciones#

Teorema del lmite central:

Para muestras grandes, se puede obtener una aproximacin cercana de la distribucin muestral de la media con una distribucin normal.

&i

para muestras aleatorias de po laciones infinitas,

encontramos que si A es la media de una muestra aleatoria de tama%o n de una po lacin infinita con la media " la desviacin est(ndar " n es grande, entonces

11

ESTADISTICA I PROFESOR WALTER LOPEZ es un valor de una varia le aleatoria que tiene apro'imadamente la distri ucin normal est(ndar#

$l teorema del l!mite central es de importancia fundamental para la estad!stica porque -ustifica el uso de mtodos de curva normal en una gran variedad de pro lemas@ se aplica a po laciones infinitas " tam in a po laciones finitas cuando n, a pesar de ser grande, no constitu"e m(s que una peque%a porcin de la po lacin# $s dif!cil se%alar con precisin qu tan grande de e ser n de modo que se pueda aplicar el teorema del l!mite central, pero a menos de que la distri ucin de la po lacin tenga una forma mu" inusual, por lo regular se considera que n 5 40 es lo suficientemente alto# 6tese que cuando en realidad estamos tomando una muestra de una po lacin, la distri ucin del muestreo de la media es una distri ucin normal, no o stante el tama%o de n#

Ejemplo ase en el teorema del l!mite central, Bcu(l es la pro a ilidad de que el error sea menor que 9, cuando se usa la media de una muestra aleatoria de tama%o n 5 C> para estimar la media de una po lacin infinita con 5 00D

Solucin La pro a ilidad se o tiene por medio del (rea de la +ona lanca a-o la curva de la figura 1, espec!ficamente, por medio del (rea de curva normal est(ndar entre

12

ESTADISTICA I PROFESOR WALTER LOPEZ

E8?UF1 1 Distri ucin muestral de la media#

Dado que la entrada de la ta la correspondiente a + 5 0#00 es 0#>GG0, la pro a ilidad que se pide es 0#>GG0 2 0#>GG0 5 0#H9>># 1s!, sustituimos la afirmacin de que la pro a ilidad es =como m!nimo de 0#G9= por una aseveracin m(s firme de que la pro a ilidad es apro'imadamente de 0#H9 ,de que la media de una muestra aleatoria de tama%o n 5 C> de la po lacin de referencia difiera de la po lacin por menos de 9/#

:am in se puede usar el teorema del l!mite central para po laciones finitas, pero una descripcin precisa de las situaciones en que se puede )acer esto ser!a m(s ien complicada# $l uso apropiado m(s com*n es en el caso en que n es grande mientras que n 7 6 es peque%a# $ste es el caso en la ma"or!a de las encuestas pol!ticas# :eorema ;entral del L!mite#

13

ESTADISTICA I PROFESOR WALTER LOPEZ <ara muestras grandes, se puede o tener una apro'imacin cercana de la distri ucin muestral de la media con una distri ucin normal# :eniendo en cuenta que "a sa emos la media " desviacin t!pica de la distri ucin muestral, podemos decir que:

'5" para muestras aleatorias infinitas con media " desviacin t!pica " n grande, entonces:

es un valor de una varia le 6,0,1/ $ste teorema es mu" importante, puesto que -ustifica el uso de los mtodos de la curva normal en una gran cantidad de pro lemas se utili+a para po laciones infinitas " para po laciones finitas cuando n a pesar de ser grande representa una porcin mu" peque%a de la po lacin# $s dif!cil se%alar con precisin qu tan grande de e ser n de modo que podamos aplicar el :eorema ;entral del l!mite, pero a no ser que la distri ucin sea mu" 8nusual, por lo general se considera que n 540 es lo suficientemente alto# Ieamos el mismo e-emplo anterior aplicando el :eorema ;entral del L!mite#

14

ESTADISTICA I PROFESOR WALTER LOPEZ

La pro a ilidad se o tiene por medio del (rea marcada de la +ona gris, espec!ficamente por medio del (rea de la 6,0,1/ entre:

lo que consultando en las ta las da una pro a ilidad de 0,H9>># 1s! sustituimos la afirmacin de que la pro a ilidad es Jcomo m!nimo 0,G9K por una aseveracin m(s firme de que la pro a ilidad es apro'imadamente de 0,H9 , de que la muestra aleatoria de tama%o n5C> de la po lacin de referencia difiera de la de la po lacin menos de 9 unidades/ :am in se puede usar el teorema ;entral del l!mite para po laciones finitas, pero una descripcin precisa de las situaciones en que se puede )acer esto, ser!a m(s ien complicada# $l uso apropiado m(s com*n es en el caso en que n es grande " n76 es peque%a# $ste es el caso de la ma"or!a de las encuestas pol!ticas#

15