P. 1
7 Muestreo y distribuciones muestrales

7 Muestreo y distribuciones muestrales

5.0

|Views: 3.010|Likes:
Publicado porArmando Chávez

More info:

Published by: Armando Chávez on Feb 04, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

09/20/2013

pdf

text

original

División de Ciencias Sociales y Humanidades Maestría en Desarrollo y Planeación de la Educación

Seminario

Estadística aplicada
Tema: Capítulo 7 Muestreo y distribuciones muestrales

Maestra: Edith Ariza Gómez

Presentan
María Isabel Pérez Ornelas Armando Tapia Chávez
México, D.F. a 24 de enero de 2011

1

Muestreo y distribuciones muestrales

Contenido Introducción 7.1 El problema de muestreo en Electronics Associates 7.2 Muestreo aleatorio simple Muestreo para poblaciones finitas Muestreo para poblaciones infinitas 7.3 Estimación puntual 7.4 Introducción a las distribuciones muestrales 7.5 Distribuciones muestrales de x Valor esperado de x Desviación estándar de x Teorema de límite central Valor práctico de la distribución muestral de x Relación entre el tamaño de la muestra y la distribución muestral de x 7.6 Distribución muestral de p Valor esperado de p Desviación estándar de p Forma de la distribución muestral de p Valor práctico de la distribución muestral de p 7.7 Propiedades de los estimadores puntuales Insesgadez Eficiencia Consistencia 7.8 Otros métodos de muestreo Muestreo aleatorio estratificado Muestreo por conglomerados Muestreo sistemático Muestreo por conveniencia Muestreo por juicio Referencias consultadas

2

del estudio. entre otros aspectos. en el sentido de que cada unidad muestreada representará las características de una cantidad conocida de unidades en la población. La definición de la población es una parte importante. se tiene que la inferencia estadística tiene como propósito construir estimaciones y pruebas de hipótesis acerca de las características de una población por medio de la información obtenida en una muestra. Es importante tener en cuenta que los resultados de la muestra sólo dan estimaciones de los valores de las características de la población. solamente se puede recolectar datos de una pequeña parte de este grupo. a lo que llamamos muestra. y . en una encuesta escolar ¿la población objetivo deberían ser todos los alumnos que pueden votar? 3 . Esta es la unidad básica de observación. A manera de apertura del capítulo muestreo y distribuciones muestrales En la estadística inferencial se requiere información acerca de grupos grandes de elementos (individuales.Unidad de observación.Muestra que es un subconjunto de la población. Es la colección completa de observación que deseamos estudiar. y con frecuencia difícil. los resultados muestrales darán “buenas” estimaciones de las características de la población. Es el objeto sobre el cual se realiza una medición. Para ello se recurre tanto a conceptos centrales recuperados del libro Estadística para administración y economía y de otros referentes bibliográficos para complementar aspectos conceptuales y de procedimiento. votantes.Población que es el conjunto de todos los elementos de interés en un estudio determinado. Una buena muestra reproduce las características de interés que existen en la población de la manera más cercana posible. Por lo anterior.Introducción El presente trabajo tiene el propósito de ubicar la importancia del muestreo y distribuciones en estadística aplicada. - Población objetivo.). por lo tanto. Esta muestra será representativa. costo. Por ejemplo. para inferir información estadística es importante tener claros dos aspectos importantes: . Se puede emplear el muestreo y los resultados de una muestra para obtener estimaciones de las características de una población. etc. empresas. a veces llamada elemento. Con lo métodos adecuados de muestreo. Definiciones para precisar el concepto de una buena muestra: . pero por cuestiones de tiempo.

por lo regular. 4 .1 El problema de muestreo en Electronics Associates Para dar un seguimiento a lo que plantea el libro base del Seminario de Estadística Aplicada. Para dar cuenta de la importancia de la muestra en un estudio estadístico es importante conocer la población a la que se va a estudiar y las características que se desean identificar. Muestreo: Diseño y análisis. en el caso de la empresa Elecronics Electronics Associates. es la población de donde se extrae la muestra. recuperar los ejemplos que en éste se desarrollan. Las estimaciones basadas en las encuestas y sus respectivas muestras son. Sharon. Las muestras se escogen por diversos procedimientos (sean apropiados o no) para realizar las observaciones o recogida de datos. determinan su grado de representatividad. En vez de esto. una unidad de observación debe ser destruida para ser observada. Le interesa dos características a identificar: el sueldo anual promedio y la proporción de gerentes que concluyeron un programa de adiestramiento 1 Lohr. En algunos casos. El método de muestreo aplicado y el tamaño de la muestra que se decida. con frecuencia. Por ejemplo. más precisas que las basadas en un censo pues los investigadores pueden tener más cuidado al reunir los datos. Trad. de modo que las estimaciones se pueden publicar de una manera programada. Es la colección de todas las unidades de observación posibles que podrían extraerse en una muestra. se considera importante. Es la unidad donde se realiza la muestra. Con las muestras probabilísticas se puede cuantificar el error de muestreo a partir de una encuesta. las cuales se apuntan a continuación: El muestreo puede proporcionar información confiable con costos mucho menores que los de un censo. Es una fracción o subconjunto de cualquier tamaño de la población de la cual proviene. podríamos querer estudiar a las personas. (EAI) el director de personal tiene que elaborar un perfil de 2500 gerentes que trabajan en dicha empresa. México. además de complementarlos. - 7. por ejemplo. Población muestreada. de Óscar Alfredo Palmas Velasco. de una gran organización administrativa e implica a muchas personas en la recolección de datos. Un censo completo necesita. pero no tenemos una lista de todos los individuos que pertenecen a la población objetivo. como cuando una galleta debe pulverizarse para determinar el contenido de grasa.- Muestra. Inc. las familias sirven como las unidades de muestreo y las unidades de observación son los individuos que viven en una familia. Unidad de muestreo. - - Según Sharon Lohr. 2000. Internacional Thomson Editores.1 existen tres justificaciones principales para el uso del muestreo. Los datos se pueden reunir más rápido.

México. 241. pp.1. Para calcular la varianza. Muestreo y distribuciones muestrales en Estadística para administración y economía. 5 . se recurre a la siguiente formula σ2=∑( xi . la varianza muestra que se obtiene constituye un estimador no sesgado de la varianza poblacional. Cuando se calcula una muestra lo que interesa es estimar la varianza poblacional σ2. Donde Media de la población: µ = 51 800 dólares2 Desviación estándar de la población: σ = 4000 dólares Recordemos que para obtener la varianza que está basada en la diferencia entre el valor de cada observación (xi) y la media. 10ª edición. Para calcular la media poblacional y la desviación estándar de la población para los datos anuales de salarios se recurre a las siguientes formulas: Media poblacional µ= ∑xi (xi= x1+x2+xn) N (Donde N es el símbolo para denotar la población) Y Desviación estándar poblacional σ =√ σ2 Desviación estándar Es la raíz cuadrada positiva de la varianza. las desviaciones respecto a la media se elevan al cuadrado. CENGAGE Learning.283. s denota la desviación estándar muestral s=√s2 y σ la desviación estándar poblacional σ =√ σ2 La desviación estándar se mide en las mismas unidades que los datos originales.µ) N Cuando los datos son de una población las elevaciones son al cuadrado y se denota varianza poblacional y se denota con la letra griega σ2 A la diferencia entre cada valor xi y la media se le llama desviación estándar respecto de la media. La suma de los cuadrados de las desviaciones respecto de la media se divide entre n. 2 Datos recuperados del capítulo 7.de la empresa. en lugar entre n.

60) son parámetros de la población de los gerentes de EAI. es una muestra seleccionada de tal manera que cada muestra posible de tamaño n tenga la misma probabilidad de ser seleccionada. Para obtener la proporción de gerentes que terminaron el programa. su desviación estándar (σ = 4000) y la proporción que terminó el programa de adiestramiento (p= 0.Varianza muestral: s2=∑( xi - ) n -1 En todo conjunto de datos. se puede decir que un parámetro es una característica numérica de una población. la suma de las desviaciones respecto de la media será siempre igual a cero. Cualquier número aleatorio que ya ha sido 6 . uno del os métodos más comunes es el muestreo aleatorio simple. Muestreo para poblaciones finitias Una muestra aleatoria simple de tamaño n. se calcula la proporción de la población que terminó el programa. de tal modo que cada uno de los elementos que aún queden en la población tengan la misma probabilidad de ser seleccionados.60. Al realizar este proceso para la selección de una muestra aleatoria simple. de una población finita de tamaño N. De los 2500 gerentes 1500 terminaron el programa de capacitación. de una población finita de tamaño N.2 Muestreo aleatorio simple Se puede usar varios métodos para seleccionar una muestra a partir de una población. entonces tenemos que p = 1500/2500 =0. La definición de este método y el proceso de seleccionar una muestra aleatoria simple siempre dependen de si la población es finitia o infinita. Un procedimiento para identificar una muestra aleatoria simple a partir de una población finita es seleccionar por uno los elementos que constituyen a la muestra. p representa la proporción de la población que terminó el programa. es posible que un número que haya sido usado se encuentre de nuevo. 7. se define como sigue: Una muestra aleatoria simple de tamaño n. a este tipo de selección se le conoce como muestreo con reemplazo. Por lo anterior. se satisfará la definición de una muestra aleatoria simple de una población finita. Al muestrear n elementos en esa forma. Con lo anterior se demuestra que es común que la información de una muestra se pueda usar para elaborar estimaciones de los parámetros poblacionales de interés. Con los estadísticos anteriores tenemos los parámetros de la población que se está estudiando: la media del salario anual de la población (µ = 51 800).

Muestreo de una población infinita En algunas situaciones la población o bien es infinita o tan grande que. Sin embargo el muestreo sin reemplazo es el procedimiento de muestreo más usado. 7. Para estimar el valor de un parámetro de población se calcula una correspondiente característica de la muestra. Cada elemento se selecciona independientemente. 7 . Se dice que: es estimador puntual de la media población µ s es el estimador puntual de la desviación estándar poblacional σ es el estimador puntual de la proporción p poblacional. Las poblaciones infinitas suelen asociarse con un proceso que opera continuamente a lo largo del tiempo. Muestrear con reemplazo es una forma válida de identificar una muestra aleatoria simple.3 Estimación puntual En la estimación puntual se usan los datos de la muestra para calcular un valor de un estadístico de la muestra que sirva como estimación de un parámetro de población. En tales casos un procedimiento de muestreo creativo garantiza que no haya sesgos de selección y que los elementos de la muestra sean seleccionados en forma independiente.so en una determinada muestra se les llama estimaciones puntuales del parámetro. que se denomina estadístico de la muestra o media muestral. para fines prácticos. Cada uno de los elementos seleccionados proviene de la población 2. A los valores numéricos obtenidos para . se considera infinita. Una muestra aleatoria simple de una población infinita es una muestra seleccionada de manera que se satisfagan las condiciones siguientes: 1. En poblaciones infinitas un procedimiento para la selección de una muestra debe de ser concebido especialmente para cada situación. de manera que permita seleccionar los elementos de manera independientemente y evitar así un sesgo en la selección que de mayores probabilidades de selección a ciertos tipos de elementos. Dichos sesgos se evitan haciendo que la selección de un elemento no influya en la selección de cualquier otro elemento.usado se ignora se esta muestreando con reemplazo.

│ s .00 dólares n 30 y la desviación Desviación estándar de la muestra s=√ ∑(xi ) 2= √325 009 260 = 3347. Formulas Media muestral =∑xi (xi= x1+x2+xn) = 1554 420 = 51 814. podemos estimar la proporción de gerentes. es la diferencia entre la estimación puntual y el parámetro poblacional. es decir. 8 .Por ejemplo. en la población. La proporción de la muestra. los errores de muestreo son │ µ│.σ│ y │ . De los 30 gerentes de la muestra terminaron el adiestramiento 19. Para una media muestral.72 dólares n-1 29 Al calcular la proporción de gerentes que contestaron que Sí en la muestra.63 30 Este valor se usa como estimación de la proporción p de la población. cuando el estimador puntual es insesgado. por lo que se tiene un error de muestreo que es el valor absoluto de la diferencia entre una estimación puntual insesgada y el parámetro poblacional correspondiente. Las estimaciones puntuales no son exactamente iguales a los parámetros poblacionales correspondientes. si elegimos una muestra aleatoria de 30 gerentes para estimar la media de la población µ y la desviación estándar de la población σ del salario anual para calcular los estadísticos de la muestra que son la media de la muestra estándar de la muestra s. que terminaron el programa de adiestramiento gerencial.p│ - En una aplicación real de muestreo no se puede calcular de manera exacta el error de muestreo porque no se conocerá el valor del parámetro poblacional. representada por es = 19 = 0. la desviación estándar y la proporción muestrales.

Como los distintos valores que toma son resultados de distintas muestras aleatorias simples. David et al. El siguiente diagrama muestra el Figura tomada de Anderson. Distribuciones muestrales de Uno de los estadísticos más comunes es usar la media de la muestra proceso: para hacer inferencias acerca de una media de la población µ. Conocer esta distribución muestral y sus propiedades permitirá hacer declaraciones de probabilidad de que tan cerca está la media muestral Como ocurre con .5. la distribución de de tamaño de 30 y para cada muestra se calculara el valor de probabilidad que se obtuviera sería la distribución muestra de 7. a la distribución de probabilidad de se le conoce como distribución muestral de . en Estadística 9 .7. la media muestral tiene una media o valor esperado. de la media poblacional es una variable aleatoria. “Muestreo y distribuciones muestrales”.4 Introducción a las distribuciones muestrales Ahora suponga que el proceso de seleccionar una muestra aleatoria simple de 30 administradores se repite una y otra vez y que cada vez que se calculan los valores de y de . una desviación estándar y una distribución de probabilidad. Si el proceso de seleccionar una muestra aleatoria simple se considera como un experimento. Si se tomara cada muestra posible .

desviación estándar y la forma de distribución. 256 En cada repetición del proceso se puede anticipar la obtención de un valor distinto de la media de la muestra . el valor esperado o media de de la población.para administración y economía. el sueldo anual promedio de la población de gerentes es µ 51 800 dólares. El valor esperado de es la media de todos los valores que se pueden generar mediante las diversas muestras aleatorias Con muestreo aleatorio simple. la desviación estándar de depende de si la 10 se usa la siguiente . Distintas muestras aleatorias simples dan como resultado varios valores de la media de la muestra posibles de simples. la media de todas las posibles medias de la muestra son 51 8000 dólares. Desviación estándar Para la desviación estándar de la distribución normal de notación: = desviación estándar de la distribución muestral de σ = desviación estándar de la población n= tamaño de la muestra N = tamaño de la población Con muestreo aleatorio simple. Por ejemplo. Entonces tenemos que la distribución muestral de es la distribución de probabilidad de todos los valores posibles de la media de la muestra se llama distribución muestral de la media de la muestra . entonces. México. 10ª edición. P. CENGAGE Learning. Valor esperado de E( donde E( ) = valor esperado de µ = media de la población es igual a la media )=µ . : valor A continuación se describen las propiedades de la distribución muestral de esperado o media de Valor esperado de .

cuando el tamaño de la muestra es grande. Teorema del límite central El paso final para identificar las características de la distribución muestral de determinar la forma de la distribución de probabilidad de . el cual señala que al seleccionar muestras aleatorias simples de tamaño n de una población.población es finita o infinita.05 se debe usar la ecuación para Población finita.05 Para poblaciones finitas que contengan casos en que n/N > 0. 11 . n/N≤ 0. La población sea infinita 2. la distribución muestral de la media muestral se puede aproximar con una distribución de probabilidad normal. Se puede suponer que la condición de muestra grande se cumple para muestras aleatorias simples de tamaño 30 o mayor. Cuando la población es grande y el tamaño de la muestra pequeño el factor de corrección del a población finita es cercano a 1. Las ecuaciones de la desviación estándar son: Desviación estándar de Población finita = Población infinita = N-n σ N -1 √n σ √n La población finita requiere un factor de corrección para la población finita que es √(Nn)/ (N-1). La distribución muestral de se puede aproximar mediante una distribución de probabilidad normal siempre que el tamaño de la muestra sea grande. es Cuando no es conocida la distribución de la población se recurre al Teorema del límite central. Una regla general para calcular la desviación estándar de =σ es usar la ecuación: √n siempre que 1. La población sea finita y también el tamaño de la muestra sea menor o igual que el 5% del tamaño de la población.

en Introducción a la teoría de la estadística. 172. Para obtener esta información se Figura tomada de Anderson. 1978. pp. Tomando el ejemplo de los gerentes de la empresa. México. La importancia del teorema se debe a que la media de una muestra aleatoria tiene una distribución de probabilidad normal para procedente de cualquier distribución con varianza finita σ2 y media µ. p. CENGAGE Learning.7 Probabilidad de que una media muestral quede a 500 dólares o menos de la media poblacional está en este intervalo.3 Valor práctico de la distribución muestral de La razón práctica de que interese la distribución muestral de para determinar información es que se puede usar probabilística acerca del tamaño del error muestral. David et al. “Muestreo y distribuciones muestrales”. se distribuye aproximadamente como una variante normal de media µ y varianza σ2/n. Alexander y Franklin Graybill. Si se quiere saber sobre la probabilidad de que la media de la muestra esté entre 51300 y 52 300 dólares y si el valor de la media de la muestra de recurre a la siguiente formula Z = x -µ σ Figura 7. en Estadística para administración y economía. 12 .Cuando en casos de muestreo se supone que la población tiene distribución normal. 10ª edición. Aguilar s a ediciones. la distribución muestral de cualquier tamaño de la muestra. España. si se quiere saber la probabilidad de que la media de la muestra que se obtenga de una muestra aleatoria simple de 30 gerentes esté dentro del intervalo de 500 dólares alrededor de la media poblacional. 275. se aproximará a 500 dólares de la media de la población. “Muestreo”. 3 Mood.

También se puede apreciar que el error estándar de la media = σ /√n está relacionado con la raíz cuadrada del tamaño de la muestra. La es igual a la media de la población. Siempre que aumente el tamaño de la muestra disminuye el error estándar de la media . en Estadística para administración y economía. 7. México. Por ejemplo: Figura 7. CENGAGE Learning. 10ª edición. 262. media de todos los valores posibles de independientemente del tamaño de la muestra n.6 Distribución muestral de La proporción muestral es el estimador puntual de la proporción poblacional fórmula para calcular la proporción muestral es: . p. David et al. Figura tomada de Anderson. la 13 .Relación entre el tamaño de la muestra y la distribución muestral de Para la relación entre el tamaño de la muestra y la distribución muestral de observe primero que E( .8 Comparación de las distribuciones muestrales de para muestras aleatorias simples de n =30 y n =100 Gerentes de EAI. µ. ) = µ independientemente del tamaño de la muestra. “Muestreo y distribuciones muestrales”.

es igual a la proporción poblacional de 14 . se conoce como distribución muestral de La distribución muestral de es la distribución de probabilidad de todos los posibles . la media de todos los posibles valores de . la desviación estándar de el valor esperado de muestral de . valores de la proporción muestral de Para determinar qué tan cerca está la proporción muestral de poblacional . y la forma de la distribución Valor esperado de El valor esperado de . .La proporción muestral de es una variable aleatoria y su distribución de probabilidad . se necesita entender las propiedades de la distribución muestral de . de la proporción .

a menos que se especifique otra cosa. el último paso es determinar la forma de la distribución muestral. Forma de la distribución muestral de Ahora que se conoce la media y la desviación estándar de la distribución muestral de . probabilidad de cada 15 . Pero si la población es finita y entonces se deberá de usar el factor de coerción para una probabilidad finita. Es decir. en este libro se supondrá que el tamaño de la población es grande en comparación al tamaño de la muestra y por tanto. el factor de coerción para una población finita no será necesario. En una muestra aleatoria simple de población grande. si la población es finita y se usara . Como probabilidad muestral de es la misma probabilidad de es una constante. la .Desviación estándar de Como en el caso de la desviación estándar de la desviación estándar de obedece a si la población es finita o infinita. La proporción muestral es . el valor de es una variable aleatoria binomial que indica el número de los elementos de la muestra que tiene la característica de interés. En el caso de proporciones se usa el error estándar de la proporción para referirse a la desviación estándar de . lo cual significa que la distribución también es una distribución de probabilidad discreta y que la es la misma que la probabilidad de . la diferencia entre las expresiones para una población finita y para una infinita es despreciable si el tamaño de la población finita es grande en comparación con el tamaño de la muestra. Las dos fórmulas para calcular la desviación estándar de son: Como en el caso de la media poblacional . También.

Y como es una constante. se debe comprobar si tiene ciertas propiedades asociadas con los buenos estimadores puntuales: insesgadez.7 Propiedades de los estimadores puntuales Para utilizar algún estadístico de muestra como estimador puntual. lo cuales se pueden calcular haciendo uso de la siguiente fórmula. Par lograr este comparativo entre estos dos valores de probabilidad. desviación estándar poblacional. es necesario hacer uso de lo que anteriormente estudiamos llamado valores de z. theta) θ̂ = estadístico de muestra o estimador puntual de θ (theta con sombrero) La letra θ representa cualquier parámetro de la población: media poblacional. zi = xi . Debido a que pueden emplearse diversos estadísticos de muestra como estimadores puntuales de distintos primeros poblacionales. eficiencia y consistencia.x s 7. 16 . Esta aproximación se formula como sigue: La distribución muestral de que se aproxima mediante una distribución normal siempre El valor práctico de la distribución muestral de es que permite obtener información probabilística acerca de la diferencia entre proporción muestral y la proporción poblacional. proporción poblacional. Suponiendo que satisfagan estas dos condiciones. puede aproximarse por medio de una distribución normal. se usa la siguiente notación: θ = parámetro poblacional de interés (letra griega. la distribución de probabilidad de en la proporción muestral.Una distribución binomial se aproxima mediante una distribución normal siempre que el tamaño de la muestra sea lo suficientemente grande para satisfacer las dos condiciones siguientes. la distribución muestral de también se aproxima mediante una distribución normal.

272. 209. por tanto y x1 son estimadores insesgados de µ. Insesgadez El estimador insesgado del parámetro poblacional se da cuando el valor esperado del estadístico de muestra es igual al parámetro poblacional que se estima. Teoría y problemas de Probabilidad y Estadística. p. 17 . asimismo.La theta con sombrero θ̂ representa el estadístico de la muestra correspondiente como la media de la muestra. 10ª edición. En tal caso E( )=µ. “Muestreo y distribuciones muestrales”. sea x1. x2… una muestra aleatoria de una densidad cuya media es µ. 2003.13 Ejemplos de estimadores puntuales insesgado y sesgado Figura tomada de Anderson. El estadístico de muestra θ̂ es un estimador insesgado del parámetro poblacional θ si ︢ E (θ) = θ ̂ donde E (θ̂ ) = valor esperado del estadístico de muestra θ̂ Por ejemplo.4 Figura 7. McGrawHill. CENGAGE Learning. p. David et al. en Estadística para administración y economía. E(x1)= µ. 4 Ejemplo tomado de Spiegel. la desviación estándar de la muestra y la proporción muestral. et al. Murray Colombia. México.

sin embargo. entonces. Como se relaciona con el tamaño de muestra. Si las distribuciones muestrales de dos estadísticos tienen la misma media. para la media muestral = n tiende a aproximarse a θ. los valores de θ̂ 1 tienen mayor probabilidad de estar cerca del parámetro θ que los valores de θ̂ 2. Por ejemplo. México. “Muestreo y distribuciones muestrales”. 14 Distribuciones muestrales de dos estimadores puntuales insesgados Figura tomada de Anderson. 10ª edición. la varianza de la distribución muestral de medias es más pequeña que la varianza muestral de medianas. La condición de consistencia establece que para muestras grandes θ̂ estimador puntual que un tamaño pequeño. p. es decir. por ejemplo. un tamaño grande de muestra tiende a proporcionar un mejor . es decir. el estimador es mejor cuando se basa en una muestra de de 20 observaciones que si se basa en dos. la distribución normal de la media y la mediana tiene la misma media de la población. Consistencia Un estimador puntual es consistente si sus valores tienden a acercarse al parámetro de población conforme se incrementa el tamaño de la muestra. David et al. el estadístico con la varianza menor es el estimador más eficiente de la media. la media provee un estimador más eficiente que la mediana. CENGAGE Learning. de tal manera 18 . se demuestra que su desviación estándar es σ /√n.Eficiencia Se habla de eficiencia relativa cuando en un estimador puntual tiene menor desviación estándar. Figura 7. para una población normal. en Estadística para administración y economía. 2723 En la figura se muestra que la desviación estándar de θ̂ 1 es menor que la θ̂ 2.

pero con una muestra de tamaño total menor. Si los estratos son homogéneos.. Por tanto. proporciona resultados tan precisos como los de un muestreo aleatorio simple. Sin embargo. de manera que cada elemento pertenezca a uno y sólo un estrato. se toma una muestra aleatoria simple de cada estrato. Si los elementos de un estrato son homogéneos. Una vez formados los estratos. etc. Existen fórmulas para combinar los resultados de las muestras de los varios estratos en una estimación del parámetro poblacional de interés. se llega a la conclusión de que un tamaño de muestra mayor tiende a producir estimaciones puntuales más cercanas a la media de la población µ. lo mismo sucede con la proporción muestral 7. el estrato tendrá una varianza pequeña. el muestreo aleatorio estratificado. Muestreo por conglomerados En el muestre o por conglomerados los elementos de la muestra primero se dividen en grupos separados. edad. Cada elemento de la población pertenece a uno y sólo a un conglomerado. a los que se les llama estratos. es un estimador consistente de la media de la población µ. llamados conglomerados. con muestras relativamente pequeñas de los estratos se obtienen buenas estimaciones de las características de los estratos.8 Otros métodos de muestreo Muestreo aleatorio estratificado En el muestreo aleatorio estratificado los elementos de la población primero se dividen en grupos. tipo de industria. se obtienen mejores resultados cuando los elementos que forma un estrato son lo más parecidos posible. La muestra está formada por todos los elementos dentro de cada uno 19 . El valor aleatorio estratificado depende de qué tan homogéneos sean los elementos dentro de cada estrato. entonces la media de la muestra p. está a discreción de la persona que diseña la muestra.que las muestras mayores dan valores de . Se toma una muestra aleatoria simple de los conglomerados. La base para la formación de los estratos. que pueden ser departamento.

tamaños de muestra mayores que los requeridos en el muestreo aleatorio simple o en el muestreo aleatorio estratificado. 2000. Muestreo de conveniencia El muestreo de conveniencia es una técnica de muestreo no probabilístico. 20 . un profesor que realiza una investigación en una universidad puede usarse estudiantes voluntarios para que constituyan una muestra ¿la razón para elegirlos? Simple. Los otros elementos se identifican contando a partir del primer elemento de 100 elementos para tomar el elemento que tenga la posición 100 en la lista de la población. se muestra uno de cada 5000/50= 100 elementos de la población. Sharon. CENGAGE Learning. 10ª edición. Lo ideal es que cada conglomerado sea una representación. En este método la persona que más sabe sobre un asunto selecciona elementos de la población que considera los más representativos de la población.de los conglomerados que forman la muestra. Referencias consultadas Anderson. México. tomando en la muestra un número pequeño de conglomerados se obtendrá una buena estimación de los parámetros poblacionales. Una de las principales aplicaciones del muestreo por conglomerados es el muestreo de áreas en el que los conglomerados son las manzanas de una ciudad y otras áreas bien definidas. los tienen al alcance y participarán como sujetos a un costo bajo o sin costo. a partir de este elemento se cuentan otros 100 y así se continua. pp. El muestreo por conglomerados tiende a proporcionar mejores resultados cuando los elementos dentro de conglomerados no son semejantes. a pequeña escala. Por ejemplo. la muestra se determina por conveniencia. Muestreo: Diseño y análisis. Si todos los conglomerados son semejantes en este aspecto. México. un muestreo sistemático consiste en forma aleatoria uno de los primeros elementos de la lista de la población. si se quiere una muestra de tamaño de 50 de una población que tiene 500 elementos. se necesita mucho tiempo para tomar una muestra aleatoria simple. 241283. Trad. David et al. “Muestreo y distribuciones muestrales”. en este caso. en Estadística para administración y economía. por lo general. Los elementos se incluyen en la muestra sin que haya una probabilidad previamente especificada o conocida de que sean incluidos en la muestra. Internacional Thomson Editores. Este método suele ser una manera relativamente fácil de seleccionar un muestra. El muestreo por conglomerados requiere. Muestreo subjetivo Otra técnica de muestreo no probabilístico es el muestreo subjetivo. Por ejemplo. de la población. de Óscar Alfredo Palmas Velasco. Lohr. Muestreo sistemático Para ciertos muestreos. Una alternativa al muestreo aleatorio simple es el muestreo sistemático. en especial en aquellos con poblaciones grandes. Como el nombre lo indica.

McGrawHill. 172. 1978. Aguilar s a ediciones. Murray et al. p. “Muestreo”. Teoría y problemas de Probabilidad y Estadística. en Introducción a la teoría de la estadística. 2003. 21 . Spiegel.Mood. Alexander y Franklin Graybill. España. Colombia.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->