UNIVERSIDAD ABIERTA PARA ADULTOS

(UAPA)

Asignatura:

Metodología de la Investigación II

Tema:

Tarea VI

Facilitador:

Ynocencio Taveras Alvarado

Participante:

Rosi Smerlin Mejia Ovalles

Mat.

16-6687

Fecha:

15/06/17
 MODULO VI: EL MUESTREO

Luego de leer y analizar el contenido del módulo IV sobre el muestreo,

realiza las siguientes actividades:

1-Explica brevemente los diferentes conceptos básicos que se utilizan en

el método del muestreo.

En el método de muestreo se utiliza una serie de conceptos básicos que vamos

a precisar en sus aspectos sustanciales y en sus nociones más utiliza das: 
Muestreo (técnica de): conjunto de operaciones que se realizan para elegir una
muestra. 

Unidad de la muestra: está constituida por uno o varios de los elementos de la

población en las que se subdivide la base de la muestra y que dentro de ella se
delimitan de manera bien precisa. 

La unidad de la muestra puede ser simple (constituida por un individuo)

colectiva (constituida por un grupo, una familia, un pueblo, etcétera). La
muestra, en última instancia, comprende un cierto número de estas unidades,
obtenidas conforme a un plan de muestreo. 

Base de la muestra: es el conjunto de unidades individualizadas que forman

un universo o población. Puede ser un censo, un padrón electoral, un catálogo,
una lista, un mapa, un plano, etcétera. Sin embargo, no todos los universos
están censados o catalogados; en esos casos la base de la muestra no existe y
hay que elegirla por algún procedimiento empírico, por ejemplo, el encuestar a
una de cada diez personas que se encuentran en un determinado lugar o
dejando que el encuestador elija como mejor le parezca cada unidad, una vez
que se le asigna una serie de encuestas para cada una de las categorías
elegidas, ya sea nivel de ingresos, edad, sexo, etcétera. 
2-Realice un esquema de los tipos de muestreo con sus subdivisiones

Distinguimos dos tipos fundamentales de muestreo:

Muestreo probabilístico (aleatorio): En este tipo de muestreo, todos los

individuos de la población pueden formar parte de la muestra, tienen
probabilidad positiva de formar parte de la muestra. Por lo tanto es el tipo de
muestreo que deberemos utilizar en nuestras investigaciones, por ser el
riguroso y científico.

Muestreo no probabilístico (no aleatorio): En este tipo de muestreo, puede

haber clara influencia de la persona o personas que seleccionan la muestra o
simplemente se realiza atendiendo a razones de comodidad. Salvo en
situaciones muy concretas en la que los errores cometidos no son grandes,
debido a la homogeneidad de la población, en general no es un tipo de
muestreo riguroso y científico, dado que no todos los elementos de la población
pueden formar parte de la muestra. Por ejemplo, si hacemos una encuesta
telefónica por la mañana, las personas que no tienen teléfono o que están
trabajando, no podrán formar parte de la muestra.

Muestreo aleatorio estratificado

Es frecuente que cuando se realiza un estudio interese estudiar una serie

de sus poblaciones (estratos) en la población, siendo importante que en la
muestra haya representación de todos y cada uno de los estratos
considerados. El muestreo aleatorio simple no nos garantiza que tal cosa
ocurra. Para evitar esto, se saca una muestra de cada uno de los estratos.
3-Selecciona la muestra de una población de 5,800 alumnos, utilizando un
5% de error y un 95% nivel de confianza. Aplica todos los pasos
requeridos para la selección de la muestra.

El margen de error es el intervalo en el cuál espero encontrar el dato que

quiero medir de mi universo. El dato puede ser en general de dos tipos: una
media o una proporción. Por ejemplo, si quiero calcular la media de hijos que
tienen los habitantes de Brasil entre 15 y 65 años, me gustaría poder decir que
la media es 2,1 hijos/persona con un margen de error del 5%. Eso significaría
que espero que la media esté entre 2,1 - 5% y 2,1 + 5%, lo que da un intervalo
de 2,00 <-> 2,21.

Si quisiera definir un margen de error para una proporción, procedería de forma

similar. Por ejemplo, me gustaría poder estimar el número de personas de
Brasil entre 15 y 65 años que viven en un piso de propiedad, afirmando que
son un total de 61.35 millones personas (45% de la población) con un margen
del 5% de error, lo que significaría que la realidad está entre 68 millones (50%)
y 54,5 millones (40%).

El nivel de confianza expresa la certeza de que realmente el dato que

buscamos esté dentro del margen de error. Por ejemplo, siguiendo con el caso
anterior, si obtenemos un nivel de confianza del 95%, podríamos decir que el
porcentaje de personas de mi universo que viven en un piso de propiedad, en
el 95% de los casos se encontrará entre el 40% y el 50%. O dicho de otra
manera, si repitiese 100 veces mi encuesta seleccionando muestras aleatorias
del mismo tamaño, 95 veces la proporción que busco estaría dentro del
intervalo y 5 veces fuera.

Relación entre error y tamaño de muestra

Margen de error, nivel de confianza y tamaño de la muestra siempre van de la

mano. Si quiero obtener un margen de error y un nivel de confianza
determinado (por ejemplo, error del 5% con confianza 95%) necesitaré un
tamaño de muestra mínimo correspondiente. Modificar cualquiera de los 3
parámetros, altera los restantes:
1. Reducir el margen de error obliga a aumentar el tamaño de la muestra.

2. Aumentar el nivel de confianza obliga a aumentar el tamaño de la muestra.

3. Si aumenta el tamaño de mi muestra, puedo reducir el margen de error o

incrementar el nivel de confianza.

Pero, ¿qué fórmulas gobiernan la relación entre los parámetros anteriores? El

conjunto de teoremas que se conocen como LEY DE LOS GRANDES
NÚMEROS viene a nuestro rescate. Estos teoremas son los que dan soporte
matemático a la idea de que el promedio de una muestra al azar de una
población de gran tamaño tenderá a estar cerca de la media de la población
completa. En concreto, el teorema del límite central demuestra que, en
condiciones muy generales, la suma de muchas variables aleatorias
independientes (en el ejemplo, los habitantes de Brasil que tienen piso de
propiedad) «se aproxima bien» a una distribución normal (también llamada
campana de Gauss).

Gracias al teorema del límite central, cuando calculamos una media (p.e. hijos
por persona) o una proporción (p.e. % de personas con piso de propiedad)
sobre una muestra, podemos saber cuál es la probabilidad de que el universo
tenga ese mismo valor o un valor parecido. El valor que calculemos en la
muestra será el más probable para nuestro universo y a medida que nos
alejamos de este valor (por arriba o por abajo) cada vez serán valores menos
probables. En mi ejemplo, si el 45% de mi muestra de brasileños tiene piso de
propiedad, puedo afirmar que 45% es el valor más probable del universo
estudiado. Un porcentaje de 44% será algo menos probable, 43% aún menos,
etc... Lo mismo sucede para valores superiores: 46% es menos probable que
45%.

La forma en que disminuye la probabilidad a medida que me alejo de la media

corresponde a una distribución gaussiana. Podemos fijar un intervalo alrededor
del valor más probable, de manera que englobemos el 95% de la probabilidad
(nivel de confianza). La distancia a la que me tengo que alejar del valor más
probable para englobar este 95% determina el margen de error.
Distribución gaussiana o normal.

Según el gráfico anterior, para una distribución normalizada (media 0,

desviación 1) si queremos englobar los valores que cubren el 95% de los
casos, tengo que definir un margen de error entre -1,96 y +1,96 de la media. Si
quiero cubrir el 99% de los casos, el margen debe alejarse hasta +-2,58.

Y entonces, ¿qué está haciendo la calculadora?

Conociendo la propiedad anterior, es muy fácil adaptar las fórmulas de la

distribución gaussiana a cualquier caso (sea cuál sea la media y desviación).
Vamos a ver con detalle el caso de la estimación de una proporción. Para ello
usamos la siguiente fórmula:

Fórmula tamaño muestra para estimación de proporciones con universos finitos

Donde:

n = El tamaño de la muestra que queremos calcular

N = Tamaño del universo (p.e. 136 millones de brasileños entre 15 y 65 años)

Z = Es la desviación del valor medio que aceptamos para lograr el nivel de

confianza deseado. En función del nivel de confianza que busquemos,
usaremos un valor determinado que viene dado por la forma que tiene la
distribución de Gauss. Los valores más frecuentes son:

Nivel de confianza 90% -> Z=1,645

Nivel de confianza 95% -> Z=1,96

Nivel de confianza 99% -> Z=2,575

e = Es el margen de error máximo que admito (p.e. 5%)

p = Es la proporción que esperamos encontrar. Este parámetro suele confundir

bastante a primera vista: ¿cómo voy a saber qué proporción espero, si
justamente estamos haciendo una encuesta para conocer esta proporción?

La razón de que esta p aparezca en la fórmula es que cuando una población es

muy uniforme, la convergencia a una población normal es más precisa, lo que
permite reducir el tamaño de muestra. Si en mi ejemplo, yo espero que como
máximo el % de personas que tengan un piso de propiedad sea un 5%, podría
usar este valor como p y el tamaño de mi muestra se reduciría. Si por el
contrario, desconozco completamente qué puedo esperar, la opción más
prudente sería usar el peor caso: la población se distribuye a partes iguales
entre propietarios y no propietarios, por lo que p=50%.

Como regla general, usaremos p=50% si no tengo ninguna información sobre

el valor que espero encontrar. Si tengo alguna información, usaré el valor
aproximado que espero (ajustando hacia el 50% ante la duda).
La fórmula anterior podemos simplificarla cuando trabajamos con universos de
tamaño muy grande (se considera muy grande a partir de 100.000 individuos),
resultando lo siguiente:

Fórmula tamaño muestra para estimación de proporciones con universos

infinitos

Ejemplo: Retomamos nuestro caso anterior. Tenemos una población de 136

millones de brasileños entre 15 y 65 años, queremos saber qué % de ellos vive
en un piso de propiedad, con un margen de error del 5% y un nivel de
confianza del 95%. Supondremos que no tenemos ninguna información previa
sobre cuál puede ser el % de propietarios que podemos obtener en la
encuesta. En este caso puedo usar la fórmula simplificada pues 136 millones >
100.000, y usaremos p=50% pues no tengo información previa sobre el
resultado esperado:

n = 1,962 * 0,5 * (1 - 0,5) / 0,052 = 384,16 -> 385

Debo encuestar por lo tanto a 384 personas para mantenerme dentro de los
niveles de error definidos.

Si a raíz de un estudio realizado el año anterior obtuvimos que el % de

brasileños propietarios de su vivienda era del 20%, y se espera que el dato de
este año no haya variado en más de 5 puntos (entre 15% y 25%), podríamos
reemplazar p por el peor caso esperado = 25%. El resultado sería:

n = 1,962 * 0,25 * (1 - 0,25) / 0,052 = 288,12 -> 289

Y si estoy tratando de estimar una media

Las fórmulas anteriores se emplean para determinar el tamaño de muestra que

necesito cuando quiero estimar una proporción, pero existen unas fórmulas
equivalentes cuando lo que trato de estimar es una media (por ejemplo, la edad
media de los habitantes de un país). Las fórmulas son idénticas teniendo en
cuenta que p(p-1) en realidad es una medida de la varianza de la población. Si
estimo una media, debo usar una estimación de dicha varianza en la fórmula,
en lugar de p(p-1). De esta forma, el tamaño de la muestra cuando trabajo con
universos finitos es

Fórmula tamaño muestra para estimación de medias con universos finitos

Donde

σ2: Es la varianza que esperamos encontrar en la población (es el cuadrado de

la desviación estándar, σ). Nuevamente, es un dato que debemos obtener de
un estudio previo o de una estimación propia.

Nuevamente, podemos simplificar esta fórmula cuando el tamaño del universo

es muy grande.

Fórmula tamaño muestra para estimación de medias con universos infinitos

Ejemplo: Supongamos que queremos estimar cual es el coeficiente intelectual
medio de la población mundial con un margen de error de +-20 y un nivel de
confianza del 99% (corresponde a Z=2,575). Sabemos de un estudio anterior
que la desviación estándar de este coeficiente intelectual es 50. Usando la
fórmula para universos grandes (puesto que la población mundial es mayor a
100.000 individuos), tendríamos

n = 2,5752 * 502 / 202 = 41,44 -> 42

4-Investigue en otros textos de metodología u otras fuentes conceptos

de:

Universo En tal sentido definimos al universo como un conjunto de personas,

cosas o fenómenos sujetos a investigación, que tienen algunas características
definitivas. Ante la posibilidad de investigar el conjunto en su totalidad, se
seleccionara un subconjunto al cual se denomina muestra. Por ejemplo:
Calidad académica de los estudiantes de las universidades privadas de Lima,
2013.

b) Población es el conjunto total de individuos, objetos o medidas que poseen

algunas características comunes observables en un lugar y en un momento
determinado. Cuando se vaya a llevar a cabo alguna investigación debe de
tenerse en cuenta algunas características esenciales al seleccionarse la
población bajo estudio.

c) Muestra la muestra es un subconjunto fielmente representativo de la

población.

Hay diferentes tipos de muestreo. El tipo de muestra que se seleccione

dependerá de la calidad y cuán representativo se quiera sea el estudio de la
población.