7/5/2020

CLASE 5
Muestreo y Estimación de parametros

SELECCIÓN DE CASOS

Técnicas de muestreo
 Muestras probabilistas
•Conocemos la probabilidad de que un
individuo sea elegido para la muestra.
•Se pueden utilizar técnicas inferenciales.

 Muestras no probabilistas
•No se conoce la probabilidad.
•Son muestreos que seguramente esconden
sesgos.
•En principio no se pueden extrapolar los
resultados a la población.

1
 7/5/2020

TIPOS DE MUESTRAS NO PROBABILISTAS

•Muestreo “bola de nieve”: para poblaciones pequeñas y/o de
acceso dificultoso. Se le pide al primer sujeto relevado que
identifique a otros sujetos potenciales que también cumplan con
los criterios de la investigación.
•Muestro de conveniencia: la selección de las unidades
muestrales responde a criterios subjetivos, acordes con los
objetivos de la investigación. En general se construye una
tipología para la selección de los casos.
•Muestreo por cuotas: se trata de mantener una
representación equitativa según alguna o algunas
características de la población.
Los relevamientos se limitan a la cantidad de casos que
“saturen la muestra”.

TIPOS DE MUESTRAS PROBABILISTAS

1. Muestreo aleatorio simple (m.a.s.)

•Se eligen individuos de la población de estudio, de manera
que todos tienen la misma probabilidad de aparecer, hasta
alcanzar el tamaño muestral deseado.

•Se puede realizar partiendo de listas de individuos de la

población, y eligiendo individuos aleatoriamente con un
ordenador o un simple bolillero.

•En general, las técnicas de inferencia estadística suponen

que la muestra ha sido elegida usando m.a.s., aunque en
realidad se use alguna de las que veremos a continuación.

2
 7/5/2020

TIPOS DE MUESTRAS PROBABILISTAS

2. Muestreo sistemático

•Se tiene una lista de los individuos de la población de

estudio. Si queremos una muestra de un tamaño dado,
dividimos al total de la población en tantos grupos como
casos queremos obtener, se elige al azar que número de
elemento se seleccionara en cada unos de los grupos.

•Asegura una selección “pareja” en toda la extensión de la

población.

TIPOS DE MUESTRAS PROBABILISTAS

3. Muestreo estratificado
•Se aplica cuando sabemos que hay ciertos factores
(subpoblaciones o estratos) que pueden influir en el estudio
y queremos asegurarnos de tener cierta cantidad mínima
de individuos de cada tipo. Por ej.: sexo, grupo de edad.

•Se realiza entonces una m.a.s. de los individuos de cada

uno de los estratos.

•Al extrapolar los resultados a la población hay que tener

en cuenta el tamaño relativo del estrato con respecto al
total de la población.

3
 7/5/2020

TIPOS DE MUESTRAS PROBABILISTAS

4. Muestreo por grupos o conglomerados

 Se aplica cuando es difícil tener una lista de todos los individuos

que forman parte de la población de estudio, pero sin embargo
sabemos que se encuentran agrupados naturalmente en grupos.

 Es principalmente utilizado en diseños de tipo geográfico. Se

identifican zonas geográficas de similares características según
una variable relevante. Se forman grupos de áreas con el criterio
de “los más parecidos”. Se elige que área relevar, de las áreas de
cada grupo por medio del azar simple. Una vez determinadas las
áreas se eligen por azar los elementos a relevar.

 Al extrapolar los resultados a la población hay que tener en

cuenta el tamaño relativo de unos grupos con respecto a otros.

ESTIMACIÓN DE PARÁMETROS
Parámetros poblacionales y Estadísticos Muestrales
Parámetros:
Media (m)
Varianza(s2)
Datos
(Población de Interés) Desv. Est. (s)
Etc.

Inferencias

Muestreo Estadísticos:
Promedio ( X )
Muestras Varianza muestral(S2)
Desv. Est. muestral(S)
Etc.

4
 7/5/2020

ESTIMACIÓN DE PARÁMETROS
Ejemplo: Estimación de la media de una población

Parámetro que se pretende estimar : La media de la población ( µ ) que en

general no se conoce, no se puede conocer, o se conoce sólo un valor teórico:

Estimador: La media muestral ( X ) que se calcula a partir de una muestra de

N datos como sigue:

El estimador (en el ejemplo la media muestral) puede tomar diferentes

valores (aleatorios) dependiendo de la muestra (aleatoria) considerada, es
decir, el estimador es una variable aleatoria

Es natural preguntarse : ¿Cuál será la distribución de probabilidad del

estimador? De hecho ¿cuáles serán sus parámetros? ¿tendrán que ver con los
de la población?

ESTIMACIÓN DE PARÁMETROS
Ejemplo: Lanzamiento de un dado
Población de interés : El conjunto de datos obtenidos al lanzar un dado legal
en diversas ocasiones
Parámetro de interés : La media (µ) de la población

Estimador: La media muestral ( X )

Experimento aleatorio : Lanzar un dado

Variable aleatoria X= número obtenido en la cara superior
Espacio muestral = {1, 2 , 3, 4, 5 , 6}
Distribución de la variable aleatoria X: Uniforme
Media teórica: µ=3.5

5
 7/5/2020

ESTIMACIÓN DE PARÁMETROS
Ejemplo: Lanzamiento de un dado
Distribución de la variable aleatoria (X) del experimento
Función de Probabilidad: f(x) = P(X=x)

x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Función de Probabilidad
0.2

0.15
f(x)

0.1

m
0.05

0
1 2 3 4 5 6
x

ESTIMACIÓN DE PARÁMETROS
Ejemplo: Lanzamiento de un dado

Distribución del estadístico X .

Diferentes cálculos de X para N=10:

Muestra x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 X
1 1 3 5 1 1 2 2 4 2 2 2.1
2 1 5 3 6 3 3 6 4 2 5 3.8
3 6 1 5 3 5 4 5 3 2 2 3.2
4 2 5 2 4 1 5 3 6 6 4 3.8
5 3 6 5 4 5 4 3 2 3 4 3.7
... ...

Cada muestra puede considerarse como:

 10 valores de la variable aleatoria X,
 1 sólo valor para 10 variables aleatorias X1,X2,...,X10

6
 7/5/2020

ESTIMACIÓN DE PARÁMETROS
Ejemplo: Lanzamiento de un dado
Distribución del estadístico X .

Si obtenemos 1000 muestras, obtendremos 1000 valores de X , para

estos 1000 valores realizamos el histograma:
Distribución de la media muestral
0.25

0.2
frecuencia relativa

0.15

0.1

0.05

0
1 2 3 4 5 6
X