Sunteți pe pagina 1din 15

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 probabilsticos y mtodos de muestreo no probabilsticos.
Muestreo probabilstico
Los mtodos de muestreo probabilsticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos
tienen la misma probabilidad de ser elegidos para formar parte de una muestra
y, consiguientemente, todas las posibles muestras de tamao n tienen la misma
probabilidad de ser elegidas. Slo estos mtodos de muestreo probabilsticos
nos aseguran la representatividad de la muestra extrada y son, por tanto, los
ms recomendables.
Dentro de los mtodos de muestreo probabilsticos encontramos los siguientes
tipos:
El mtodo otorga una probabilidad conocida de integrar la muestra a cada
elemento de la poblacin, y dicha probabilidad no es nula para ningn elemento.

ESTADISTICA I
PROFESOR WALTER LOPEZ
Los mtodos de muestreo no probabilsticos no garantizan la representatividad
de la muestra y por lo tanto no permiten realizar estimaciones inferenciales
sobre la poblacin.
(En algunas circunstancias los mtodos estadsticos y epidemiolgicos permiten
resolver los problemas de representatividad aun en situaciones de muestreo no
probabilistico, por ejemplo los estudios de casocontrol, donde los casos no son
seleccionados aleatoriamente de la poblacin.)
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin
encontramos:

Muestreo aleatorio simple:


El procedimiento empleado es el siguiente:
1. Se asigna un nmero a cada individuo de la poblacin
2. A travs de algn medio mecnico (bolas dentro de una bolsa,
tablas de nmeros aleatorios, nmeros aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos
sujetos como sea necesario para completar el tamao de muestra
requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula
utilidad prctica cuando la poblacin que estamos manejando es
muy grande.
2

ESTADISTICA I
PROFESOR WALTER LOPEZ
Ejemplo: formar el equipo de ftbol de la universidad
seleccionando 11 boletas de una urna con el nombre de todos los
alumnos de la universidad.

Muestreo aleatorio sistemtico:


Este procedimiento exige, como el anterior, numerar todos los
elementos de la poblacin, pero en lugar de extraer n nmeros
aleatorios slo se extrae uno. Se parte de ese nmero aleatorio i,
que es un nmero elegido
al azar, y los elementos que integran la muestra son los que ocupa
los lugares i, i+k, i+2k, i+3k,...,i+(n1)k, es
decir se toman los individuos de k en k, siendo k el resultado de
dividir el tamao de la poblacin entre el tamao de la muestra: k=
N/n. El nmero i que empleamos como punto de partida ser un
nmero al azar entre 1 y k.
El riesgo este tipo de muestreo est en los casos en que se dan
periodicidades en la poblacin ya que al elegir a los miembros de
la muestra con una periodicidad constante (k) podemos introducir
una homogeneidad que no se da en la poblacin.
Imaginemos que estamos seleccionando una muestra sobre listas
de 10 individuos en los que los 5 primeros son varones y los 5

ESTADISTICA I
PROFESOR WALTER LOPEZ
ltimos mujeres, si empleamos un muestreo aleatorio sistemtico
con k=10 siempre seleccionaramos o slo hombres o slo
mujeres, no podra haber una representacin de los
dos sexos.

Muestreo aleatorio estratificado:


Trata de obviar las dificultades que presentan los anteriores ya que
simplifican los procesos y suelen reducir el error muestral para un
tamao dado de la muestra. Consiste en considerar categoras
tpicas diferentes entre s (estratos) que poseen gran
homogeneidad respecto a alguna caracterstica (se puede
estratificar, por ejemplo, segn la profesin, el municipio de
residencia, el sexo, el estado civil, etc.).
Lo que se pretende con este tipo de muestreo es asegurarse de
que todos los estratos de inters estarn representados
adecuadamente en la
muestra. Cada estrato funciona independientemente, pudiendo
aplicarse dentro de ellos el muestreo aleatorio simple o el
estratificado para elegir los elementos concretos que formarn
parte de la muestra. En ocasiones las dificultades que plantean son
demasiado grandes, pues exige un conocimiento detallado de la
poblacin.
4

ESTADISTICA I
PROFESOR WALTER LOPEZ
(Tamao geogrfico, sexos, edades,...).
La distribucin de la muestra en funcin de los diferentes estratos
se denomina afijacin, y puede ser de diferentes tipos:
Afijacin Simple: A cada estrato le corresponde igual nmero de
elementos mustrales.
Afijacin Proporcional: La distribucin se hace de acuerdo con el
peso (tamao) de la poblacin en cada estrato.
Afijacin Optima: Se tiene en cuenta la previsible dispersin de los
resultados, de modo que se considera la proporcin y la desviacin
tpica. Tiene poca aplicacin ya que no se suele conocer la
desviacin.

Muestreo aleatorio por conglomerados:


Los mtodos presentados hasta ahora estn pensados para
seleccionar directamente los elementos de la poblacin, es decir,
que las unidades mustrales son los elementos de la poblacin.
En el muestreo por conglomerados la unidad muestral es un grupo
de elementos de la poblacin que forman una unidad, a la que
llamamos conglomerado. Las unidades hospitalarias, los
departamentos universitarios, una caja de determinado producto,
etc., son conglomerados naturales.
5

ESTADISTICA I
PROFESOR WALTER LOPEZ
En otras ocasiones se pueden utilizar conglomerados no naturales
como, por ejemplo, las urnas electorales. Cuando los
conglomerados son reas geogrficas suele hablarse de "muestreo
por reas".
El muestreo por conglomerados consiste en seleccionar
aleatoriamente un cierto numero de conglomerados (el necesario
para alcanzar el tamao muestral establecido) y en investigar
despus todos los elementos pertenecientes a los conglomerados
elegidos.
Mtodos de muestreo no probabilsticos
A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para realizar generalizaciones, pues no se tiene
certeza de que la muestra extrada sea representativa, ya que no todos los
sujetos de la poblacin tienen la misma probabilidad de se elegidos.
En general se seleccionan a los sujetos siguiendo determinados criterios
procurando que la muestra sea representativa.
Muestreo por cuotas:
Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre
la base de un buen

ESTADISTICA I
PROFESOR WALTER LOPEZ
conocimiento de los estratos de la poblacin y/o de los individuos ms
"representativos" "adecuados" para los fines de la investigacin. Mantiene, por
tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de
individuos que renen unas determinadas condiciones, por ejemplo: 20
individuos de 25 a 40 aos, de sexo femenino y residentes en Gijn. Una vez
determinada la cuota se eligen los primeros que se encuentren que cumplan
esas caractersticas. Este mtodo se utiliza mucho en las encuestas de opinin.
Muestreo opintico o intencional:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras "representativas" mediante la inclusin en la muestra de grupos
supuestamente tpicos. Es muy frecuente su utilizacin en sondeos
preelectorales de zonas que en anteriores votaciones han marcado tendencias
de voto.
Muestreo casual o incidental:
Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la poblacin. El caso ms frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fcil
acceso (los profesores de universidad emplean con mucha frecuencia a sus
propios alumnos).
7

ESTADISTICA I
PROFESOR WALTER LOPEZ
Bola de nieve:
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y
as hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones
Conceptos bsicos
Para introducir los conceptos bsicos consideremos el siguiente ejemplo:
Supongamos que estamos interesados en determinar el nmero medio de
televisores por
hogar en una ciudad.
Para ello consideraremos primeramente:
Poblacin: Conjunto de personas u objetos de inters en una
Investigacin.
Ej: Todos los hogares de la ciudad
Muestra
Es una porcin representativa de elementos de una poblacin, elegida para su
examen o
medicin directa.
Note que generalmente es costoso el anlisis de todos los datos, as que se
hace necesario
realizar las mediciones de inters slo en una porcin representativa de la
poblacin e
inferir de ella resultados que corresponden a la poblacin entera.

ESTADISTICA I
PROFESOR WALTER LOPEZ
Ej: Medir la cantidad de televisores en un grupo de hogares de varias
localidades,
municipios de la ciudad, escogidos aleatoriamente de manera conveniente.
Parmetro
Es cualquier caracterstica de una poblacin, como la media de la poblacin, la
desviacin de la poblacin, etc.
Ej: Nmero promedio de televisores por hogar en toda la ciudad.
Estadstico
Es cualquier caracterstica de una muestra, como la media de la muestra, la
desviacin de
la muestra, etc.
Ej: Nmero promedio de televisores calculado slo a partir de los hogares que
fueron
seleccionados en la muestra.
Muestreo
Proceso de seleccin de muestras, se utiliza cuando no es posible contar o
medir todos los
elementos de la poblacin objeto de estudio.
Tipos de Muestreo
Existen dos mtodos para seleccionar muestras de poblaciones:
a) Muestreo no aleatorio o de juicio: Se emplea el conocimiento y la opinin
personal para identificar aquellos elementos de la poblacin que deben incluirse
en la muestra.

ESTADISTICA I
PROFESOR WALTER LOPEZ
b) Muestreo aleatorio o de probabilidad: En el cual todos los elementos de la
poblacin tienen la oportunidad de ser escogidos para la muestra. Dentro de
este tipo de muestreo se encuentran:
b.1) Muestreo aleatorio simple: el cual es un mtodo de seleccin de muestras
que permite que cada muestra posible pueda ser elegida con la misma
probabilidad. Por su parte cada elemento de la poblacin tiene la misma
oportunidad igual de ser incluido en la muestra.
b.2) Muestreo sistemtico: mtodo en el cual los elementos que se muestrearn
se seleccionan de la poblacin en un intervalo uniforme que se mide con
respecto al tiempo, al orden o al espacio.
b.3) Muestreo estratificado: mtodo en el que la poblacin se divide en grupos
homogneos, o estratos, y despus se toma una muestra aleatoria simple de
cada estrato.
Aqu la variabilidad dentro de cada grupo es pequea y entre los grupos es
grande.
b.4) Muestreo de racimo: mtodo en el que la poblacin se divide en grupos o
racimos de elementos, y luego se selecciona una muestra aleatoria de estos
racimos. La variabilidad dentro de cada grupo es grande y entre los grupos es
pequea; es como si cada racimo fuese un pequea representacin de la
poblacin en si mima.
El seleccionar uno u otro tipo de muestreo depende del problema en cuestin.
Analicemos nuestro ejemplo.
Error Muestral

10

ESTADISTICA I
PROFESOR WALTER LOPEZ
Es la diferencia entre el parmetro de la poblacin y el estadstico de la muestra
utilizado para estimar el parmetro.
Distribucin muestral
Es una lista de todos los valores posibles de un estadstico y la probabilidad
asociada a cada valor. Se considerarn la distribucin muestral de medias y 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.

Si

para muestras aleatorias de poblaciones infinitas,

encontramos que si X es la media de una muestra aleatoria de tamao n de una


poblacin infinita con la media y la desviacin estndar y n es grande,
entonces

11

ESTADISTICA I
PROFESOR WALTER LOPEZ
es un valor de una variable aleatoria que tiene aproximadamente la distribucin
normal estndar.

El teorema del lmite central es de importancia fundamental para la estadstica


porque justifica el uso de mtodos de curva normal en una gran variedad de
problemas; se aplica a poblaciones infinitas y tambin a poblaciones finitas
cuando n, a pesar de ser grande, no constituye ms que una pequea porcin
de la poblacin. Es difcil sealar con precisin qu tan grande debe ser n de
modo que se pueda aplicar el teorema del lmite central, pero a menos de que la
distribucin de la poblacin tenga una forma muy inusual, por lo regular se
considera que n = 30 es lo suficientemente alto. Ntese que cuando en realidad
estamos tomando una muestra de una poblacin, la distribucin del muestreo de
la media es una distribucin normal, no obstante el tamao de n.

Ejemplo base en el teorema del lmite central, cul es la probabilidad de que el


error sea menor que 5, cuando se usa la media de una muestra aleatoria de
tamao n = 64 para estimar la media de una poblacin infinita con = 20?

Solucin La probabilidad se obtiene por medio del rea de la zona blanca bajo la
curva de la figura 1, especficamente, por medio del rea de curva normal
estndar entre

12

ESTADISTICA I
PROFESOR WALTER LOPEZ

FIGURA 1 Distribucin muestral de la media.

Dado que la entrada de la tabla correspondiente a z = 2.00 es 0.4772, la


probabilidad que se pide es 0.4772 + 0.4772 = 0.9544. As, sustituimos la
afirmacin de que la probabilidad es "como mnimo de 0.75" por una
aseveracin ms firme de que la probabilidad es aproximadamente de 0.95 (de
que la media de una muestra aleatoria de tamao n = 64 de la poblacin de
referencia difiera de la poblacin por menos de 5).

Tambin se puede usar el teorema del lmite central para poblaciones finitas,
pero una descripcin precisa de las situaciones en que se puede hacer esto
sera ms bien complicada. El uso apropiado ms comn es en el caso en que n
es grande mientras que n / N es pequea. Este es el caso en la mayora de las
encuestas polticas.
Teorema Central del Lmite.

13

ESTADISTICA I
PROFESOR WALTER LOPEZ
Para muestras grandes, se puede obtener una aproximacin cercana de la
distribucin muestral de la media con una distribucin normal.
Teniendo en cuenta que ya sabemos la media y desviacin tpica de la
distribucin muestral, podemos decir que:

x=y
para muestras aleatorias infinitas con media y desviacin tpica y n grande,
entonces:

es un valor de una variable N(0,1)


Este teorema es muy importante, puesto que justifica el uso de los mtodos de
la curva normal en una gran cantidad de problemas se utiliza para poblaciones
infinitas y para poblaciones finitas cuando n a pesar de ser grande representa
una porcin muy pequea de la poblacin.
Es difcil sealar con precisin qu tan grande debe ser n de modo que podamos
aplicar el Teorema Central del lmite, pero a no ser que la distribucin sea muy
Inusual, por lo general se considera que n =30 es lo suficientemente alto.
Veamos el mismo ejemplo anterior aplicando el Teorema Central del Lmite.

14

ESTADISTICA I
PROFESOR WALTER LOPEZ

La probabilidad se obtiene por medio del rea marcada de la zona gris,


especficamente por medio del rea de la N(0,1) entre:

lo que consultando en las tablas da una probabilidad de 0,9544. As sustituimos


la afirmacin de que la probabilidad es como mnimo 0,75 por una aseveracin
ms firme de que la probabilidad es aproximadamente de 0,95 ( de que la
muestra aleatoria de tamao n=64 de la poblacin de referencia difiera de la de
la poblacin menos de 5 unidades)
Tambin se puede usar el teorema Central del lmite para poblaciones finitas,
pero una descripcin precisa de las situaciones en que se puede hacer esto,
sera ms bien complicada. El uso apropiado ms comn es en el caso en que n
es grande y n/N es pequea. Este es el caso de la mayora de las encuestas
polticas.

15