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.

1
 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

3
 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

6
 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.

8
 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.

9
 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