6/06/2019

FACULTAD DE INGENIERIA DE PROCESOS

ASIGNATURA: ESTADISTICA INDUSTRIAL (IQ313APQ)
DOCENTE: DRA. LECSI MARICELA ROMERO PEÑA

Tema : Muestreo, recolección de datos

Razones para muestrear

1. Establecer contacto con toda la población requeriría mucho tiempo.
2. El costo de estudiar todos los elementos de una población resultaría
prohibitivo.
3. No es posible verificar de manera física todos los elementos de la
población.
4. Algunas pruebas son de naturaleza destructiva.
5. Los resultados de la muestra son adecuados.

1
 6/06/2019

Clases de muestreo:

• Probabilístico

• No probabilístico

Métodos para seleccionar muestras

• Muestreo probabilístico o aleatorio.
Todos los elementos de la población tienen la oportunidad de ser
escogidos en la muestra.
• Muestreo no probabilístico o de juicio.
Se emplea el conocimiento y la opinión personal para identificar
aquellos elementos de la población que deben incluirse en la muestra.
No todos los integrantes tiene probabilidad de ser incluidos en la
muestra.
Los resultados pueden estar sesgados, es decir, los resultados de la
muestra pueden no ser representativos de la población.

2
 6/06/2019

Métodos de muestreo probabilístico

1. Muestreo aleatorio simple. Selecciona muestra de manera que cada elemento o individuo
de la población tenga la misma probabilidad de ser incluido en la muestra.
2. Muestreo sistemático. Los elementos son seleccionados de la población dentro de un
intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio. Si quisiéramos
entrevistar a cada vigésimo estudiante de una universidad, escogeríamos un punto de inicio
aleatorio entre los primeros 20 nombres del directorio estudiantil y luego escogeríamos cada
vigésimo nombre de allí en adelante.

3. Muestreo aleatorio estratificado. Se divide la población es grupos relativamente

homogéneos llamados estratos. Después se usa uno de los siguientes planteamientos:
a) se selecciona aleatoriamente de cada estrato un número específico de elementos
proporcionales a la fracción de ese estrato en la población como un todo
b) se extrae un número igual de elementos de cada estrato y damos peso a los
resultados de acuerdo con la porción del estrato con respecto a la población total

4. Muestreo por conglomerados (de racimo). Se divide la población en

grupos de elementos, llamados conglomerados. Por ejemplo, una familia
es un conglomerado de personas que viven juntas. Una manzana o
vecindario podrían ser una cómoda unidad muestral y podría ser
considerada un conglomerado.

3
 6/06/2019

Muestra Probabilística
• Requiere precisar el tamaño de la muestra.
• Seleccionar unidades o elementos muestrales por medio de :
Listado o marco muestral
Procedimiento: - Tómbolas
- Tablas de números aleatorios
- STATS
- Selección sistemática

Base de la inferencia estadística: Muestreo

aleatorio simple
• El muestreo sistemático, el estratificado y el de racimo
intentan aproximarse al muestreo aleatorio simple.
Fueron desarrollados por su precisión, economía o
facilidad física.
• Los principios del muestreo aleatorio simple son la
base de la inferencia estadística, el proceso de hacer
inferencias acerca de poblaciones a partir de
información contenida en muestras.
• Error de muestreo. Diferencia entre una estadística de
muestra y su parámetro de población correspondiente.

4
 6/06/2019

Distribución muestral de medias

• Distribución muestral de la media. Una distribución de probabilidad
de todas las posibles medias de las muestras de un determinado
tamaño muestral de la población.

Teorema del Límite Central

• En el caso de una población con media  y variancia 2, la

distribución muestral de las medias de todas las muestras posibles
de tamaño n generadas a partir de la población, tendrá una
distribución aproximadamente normal (siendo la media de la
distribución muestral igual a  y la variancia igual a 2/n)
considerando que el tamaño de la muestra es bastante grande
(n30).
• La importancia del teorema del límite central es que nos permite usar
estadísticas de muestra para hacer inferencias con respecto a los
parámetros de población sin saber nada sobre la forma de la
distribución de frecuencia de esa población

5
 6/06/2019

Teorema del Límite Central

• En el caso de una población con media  y variancia 2, la

distribución muestral de las medias de todas las muestras posibles
de tamaño n generadas a partir de la población, tendrá una
distribución aproximadamente normal (siendo la media de la
distribución muestral igual a  y la variancia igual a 2/n)
considerando que el tamaño de la muestra es bastante grande
(n30).
• La importancia del teorema del límite central es que nos permite usar
estadísticas de muestra para hacer inferencias con respecto a los
parámetros de población sin saber nada sobre la forma de la
distribución de frecuencia de esa población

Resultados del
teorema del
límite central
para diversas
poblaciones.

6
 6/06/2019

Propiedades de la distribución muestral de las medias

• La media de la distribución muestral es igual a la
media de la población:
x  
• La desviación estándar de la distribución muestral
de las medias (error estándar) es igual a la
desviación estándar de la población dividida entre
la raíz cuadrada del tamaño de la muestra:
x  / n
• La distribución muestral de las medias es
aproximadamente normal para tamaños de
muestras grandes (n ≥ 30).

Uso de la distribución muestral de la media

En muchas situaciones hay una población de la cual existe determinada

información. Se toma una muestra de esta población y se quiere saber si el error
de muestreo, es decir, la diferencia entre el parámetro de población y la muestra
estadística, se debe al azar. ¿O la diferencia no es un error de muestreo aleatorio
y, por tanto, una diferencia estadísticamente significativa?
Es posible calcular la probabilidad de que la media de una muestra se encuentre
dentro de cierto margen. La distribución de muestreo seguirá la distribución de
probabilidad normal con dos condiciones:
1. Cuando se sabe que las muestras se toman de poblaciones regidas por una
distribución normal.
2. Cuando se desconoce si la población sigue una distribución normal, pero la
muestra contiene por lo menos 30 observaciones.

7
 6/06/2019

Cualquier distribución normal se puede convertir en una distribución

normal estándar, calculando un valor z mediante la fórmula:

En esta fórmula, X es el valor de la variable aleatoria; µ es la media de la

población, y σ es la desviación estándar de la población. Pero:
1. La mayor parte de las decisiones se refieren a una muestra, no a
una sola observación. Así lo importante es la distribución de , la
media muestral, en lugar de X, el valor de la observación.
2. Se debe emplear el error estándar de la media de n observaciones
en lugar de la desviación estándar de la población. Es decir se usa
en el denominador en vez de σ.

Muestra no probabilística o dirigida:

• Selecciona casos o unidades por uno o varios propósitos.

• No pretende que los casos sean estadísticamente

representativos de la población

8
 6/06/2019

Recolección de datos cuantitativos

Definir la forma idónea de recolectar los datos de acuerdo con el
planteamiento del problema y las etapas previas de la investigación.
Seleccionar o elaborar uno o varios instrumentos o métodos
para recolectar los datos requeridos.
Aplicar los instrumentos o métodos.
Obtener los datos.
Codificar los datos.
Archivar los datos y prepararlos para su análisis por computadora.

Instrumentos de medición
Deben representar verdaderamente las variables de la investigación:
Las respuestas se obtienen, codifican y transfieren a una matriz o base de
datos y se preparan para su análisis mediante un paquete estadístico para
computadora.

Requisitos:

1. Confiabilidad:

2. Validez:

3. Objetividad:

9
 6/06/2019

Instrumentos de medición - Requisitos

1. Confiabilidad:
Grado en que un instrumento mide la variable que pretende medir.
Procedimientos para determinar la confiabilidad:
• Medida de estabilidad
• Método de formas alternativas o paralelas
• Método de mitades partidas
• Medidas de consistencia interna

Instrumentos de medición - Requisitos

2. Validez:
Grado en que un instrumento mide la variable que pretende medir.
De ella derivan distintos tipos de evidencia:
• Validez de contenido
• Validez de criterio
• Validez de constructo
• Validez total es la consideración de los tipos de evidencia

10
 6/06/2019

Instrumentos de medición - Requisitos

3. Objetividad:

Grado en que el instrumento es permeable a los sesgos y tendencias del

investigador que lo administra, califica e interpreta.

Instrumentos de medición - Tipos:

1. Cuestionarios:
Se basan en preguntas que pueden ser cerradas o abiertas.
Sus contextos pueden ser: autoadministrados, entrevista personal o
telefónica, vía internet.
2. Escalas de medición de actitudes que pueden ser:
Escalamiento tipo Likert
Diferencial semántico
Escalograma de Guttman (en el centro de recursos en línea)

11
 6/06/2019

3. Otros tipos son: Análisis de contenido cuantitativo

• Observación
• Pruebas estandarizadas e inventarios.
• Datos secundarios (recolectados por otros investigadores)
• Aparatos y equipos
• Indicadores

Análisis de datos cuantitativos

• Decidir el programa de análisis de datos que se utilizará.
• Explorar los datos obtenidos en la recolección.
• Analizar descriptivamente los datos por variable.
• Visualizar los datos por variable.
• Evaluar la confiabilidad, validez y objetividad de los instrumentos de
medición utilizados.
• Analizar e interpretar mediante pruebas estadísticas las hipótesis
planteadas (análisis estadístico inferencial).
• Realizar análisis adicionales.
• Preparar los resultados para presentarlos.

12
 6/06/2019

Análisis de datos cuantitativos

Se realiza mediante programas computacionales como:

• SPSS®
• Minitab
• Matlab
• SAS
• STATS

Análisis de datos cuantitativos

Cuyo procedimiento es:
Fases
1. Seleccionar el programa estadístico para el análisis de datos
2. Ejecutar el programa
3. Explorar los datos: analizarlos y visualizarlos por variable del estudio
4. Se evalúa la confiabilidad y validez del o de los instrumentos escogidos
5. Se lleva a cabo análisis estadístico descriptivo de cada variable del estudio
6. Se realizan análisis estadísticos inferenciales respecto a las hipótesis
planteadas
7. Se efectúan análisis adicionales
8. Se preparan los resultados para presentarlos

13
 6/06/2019

Análisis de datos cuantitativos

El análisis se realiza tomando en cuenta los niveles de medición de las
variables y mediante la estadística, que puede ser

1. Descriptiva

2. Inferencial

Análisis de datos cuantitativos

Estadística descriptiva:
1. Distribución de frecuencias
2. Medida de tendencia central
 Media
 Mediana
 Moda
3. Medidas de variabilidad
 Rango
 Desviación estándar
 Varianza
4. Gráficas
5. Puntuaciones Z

14
 6/06/2019

Análisis de datos cuantitativos

Estadística inferencial:
• Análisis paramétrico
• Chi cuadrada
• Coeficientes de Spearman y Kendall
• Coeficientes para tabulaciones cruzadas

• Análisis multivariados

Análisis de datos cuantitativos

Estadística inferencial:
Sirve para estimar parámetros y probar hipótesis.
Se basa en la distribución muestral
Análisis paramétrico:
• Coeficientes de correlación
• Regresión lineal
• Prueba t
• Prueba de la diferencia de proporciones
• Análisis de varianza
• Análisis de covarianza (en centro de recursos en línea)

15
 6/06/2019

Reporte de resultados:

Comunica los resultados del estudio para lo cual se deben definir:

• El tipo de reporte a elaborar
• A los usuarios o receptores que tomarán las decisiones con base
a los resultados
• El contexto en el cual se presentará:
• Académico
• No académico

Reporte de resultados: Contexto académico

contendrá:
1. Portada
2. Índices
3. Resumen o sumario • Introducción
• Términos claves • Revisión de la literatura
o marco teórico
5. Cuerpo del documento
• Método
6. Referencias • Resultados
7. Apéndices • Discusión

16
 6/06/2019

Reporte de resultados: Contexto no académico

Contendrá:
1. Portada
2. Índices
3. Resumen ejecutivo
4. Método (abreviado)
5. Resultados
6. Conclusiones
7. Apéndices

Reporte de resultados: elaboración

Se debe basar en:

• Posibilidades creativas
• Elementos gráficos
• Claridad
• Manuales de estilo de publicaciones (APA, Harvard, Vancover,
Chicago, etcétera)*

17
 6/06/2019

ESQUEMA DE BOSQUEJO GENERAL PARA UN REPORTE DE INVESTIGACIÓN

Introducción Marco teórico Método Resultados Discusión

Planteamiento Tema 1 • Contexto específico Resultados  Descubrimientos

• Preguntas Subtemas • Hipótesis y variables (dependiendo del generales
• Objetivos Tema 2 • Diseño enfoque)  Limitaciones
• Justificación Subtemas • Universo y muestra Análisis  Hallazgos
• Ubicación Tema 3 • Instrumental Resultados 1 específicos en el
(campo de Subtemas • Procedimientos Resultados 2 contenido
estudio) … …  Conclusiones
Enfoque Tema n Resultados n  Implicaciones y
Contexto general Subtemas siguientes pasos
en el estudio del
empleamiento

18