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

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

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

las desviaciones respecto a la media se elevan al cuadrado. 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. en lugar entre n. CENGAGE Learning. la varianza muestra que se obtiene constituye un estimador no sesgado de la varianza poblacional.1. se recurre a la siguiente formula σ2=∑( xi .de la empresa. La suma de los cuadrados de las desviaciones respecto de la media se divide entre n. 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. Para calcular la varianza.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. 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. Cuando se calcula una muestra lo que interesa es estimar la varianza poblacional σ2. México. 2 Datos recuperados del capítulo 7. 241. Muestreo y distribuciones muestrales en Estadística para administración y economía.283. 10ª edición. 5 . pp.

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

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. Dichos sesgos se evitan haciendo que la selección de un elemento no influya en la selección de cualquier otro elemento. A los valores numéricos obtenidos para . Una muestra aleatoria simple de una población infinita es una muestra seleccionada de manera que se satisfagan las condiciones siguientes: 1. Cada uno de los elementos seleccionados proviene de la población 2. Cada elemento se selecciona independientemente. 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.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. se considera infinita.usado se ignora se esta muestreando con reemplazo. 7 . Las poblaciones infinitas suelen asociarse con un proceso que opera continuamente a lo largo del tiempo. para fines prácticos. que se denomina estadístico de la muestra o media muestral. 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. Muestrear con reemplazo es una forma válida de identificar una muestra aleatoria simple. Para estimar el valor de un parámetro de población se calcula una correspondiente característica de la muestra. En poblaciones infinitas un procedimiento para la selección de una muestra debe de ser concebido especialmente para cada situación. 7.so en una determinada muestra se les llama estimaciones puntuales del parámetro. 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.

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

Conocer esta distribución muestral y sus propiedades permitirá hacer declaraciones de probabilidad de que tan cerca está la media muestral Como ocurre con . 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. en Estadística 9 . la media muestral tiene una media o valor esperado. Como los distintos valores que toma son resultados de distintas muestras aleatorias simples. de la media poblacional es una variable aleatoria. 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. David et al. una desviación estándar y una distribución de probabilidad.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 . “Muestreo y distribuciones muestrales”. Si se tomara cada muestra posible . El siguiente diagrama muestra el Figura tomada de Anderson. Si el proceso de seleccionar una muestra aleatoria simple se considera como un experimento.7.5. a la distribución de probabilidad de se le conoce como distribución muestral de .

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 . el sueldo anual promedio de la población de gerentes es µ 51 800 dólares. 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. CENGAGE Learning. 10ª edición. la desviación estándar de depende de si la 10 se usa la siguiente . 256 En cada repetición del proceso se puede anticipar la obtención de un valor distinto de la media de la muestra . El valor esperado de es la media de todos los valores que se pueden generar mediante las diversas muestras aleatorias Con muestreo aleatorio simple.para administración y economía. Por ejemplo. México. desviación estándar y la forma de distribución. Distintas muestras aleatorias simples dan como resultado varios valores de la media de la muestra posibles de simples. entonces. P. el valor esperado o media de de la población. 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 .

n/N≤ 0. cuando el tamaño de la muestra es grande. 11 .05 Para poblaciones finitas que contengan casos en que n/N > 0. Se puede suponer que la condición de muestra grande se cumple para muestras aleatorias simples de tamaño 30 o mayor. La distribución muestral de se puede aproximar mediante una distribución de probabilidad normal siempre que el tamaño de la muestra sea grande. 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. 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). el cual señala que al seleccionar muestras aleatorias simples de tamaño n de una población. La población sea infinita 2.población es finita o infinita.05 se debe usar la ecuación para Población finita. la distribución muestral de la media muestral se puede aproximar con una distribución de probabilidad normal. es Cuando no es conocida la distribución de la población se recurre al Teorema del límite central. 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 .

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. Tomando el ejemplo de los gerentes de la empresa. 275. 3 Mood. 172. “Muestreo”. se distribuye aproximadamente como una variante normal de media µ y varianza σ2/n.7 Probabilidad de que una media muestral quede a 500 dólares o menos de la media poblacional está en este intervalo. p. 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. pp. Para obtener esta información se Figura tomada de Anderson. se aproximará a 500 dólares de la media de la población. México. 1978. la distribución muestral de cualquier tamaño de la muestra. CENGAGE Learning. 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. Aguilar s a ediciones. David et al. en Introducción a la teoría de la estadística. 10ª edición.Cuando en casos de muestreo se supone que la población tiene distribución normal. España.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. “Muestreo y distribuciones muestrales”. Alexander y Franklin Graybill. 12 .

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

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 . se necesita entender las propiedades de la distribución muestral de .La proporción muestral de es una variable aleatoria y su distribución de probabilidad . es igual a la proporción poblacional de 14 . 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 desviación estándar de el valor esperado de muestral de . de la proporción .

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

16 . la distribución de probabilidad de en la proporción muestral. zi = xi . la distribución muestral de también se aproxima mediante una distribución normal. es necesario hacer uso de lo que anteriormente estudiamos llamado valores de z.x s 7.7 Propiedades de los estimadores puntuales Para utilizar algún estadístico de muestra como estimador puntual. Y como es una constante. proporción poblacional. Suponiendo que satisfagan estas dos condiciones. 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. eficiencia y consistencia. lo cuales se pueden calcular haciendo uso de la siguiente fórmula. theta) θ̂ = estadístico de muestra o estimador puntual de θ (theta con sombrero) La letra θ representa cualquier parámetro de la población: media poblacional. se usa la siguiente notación: θ = parámetro poblacional de interés (letra griega. Debido a que pueden emplearse diversos estadísticos de muestra como estimadores puntuales de distintos primeros poblacionales.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. se debe comprobar si tiene ciertas propiedades asociadas con los buenos estimadores puntuales: insesgadez. puede aproximarse por medio de una distribución normal. Par lograr este comparativo entre estos dos valores de probabilidad. desviación estándar poblacional.

272. México.13 Ejemplos de estimadores puntuales insesgado y sesgado Figura tomada de Anderson. p. asimismo. CENGAGE Learning. 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. et al. sea x1. por tanto y x1 son estimadores insesgados de µ. David et al. Teoría y problemas de Probabilidad y Estadística. E(x1)= µ. 4 Ejemplo tomado de Spiegel. 209. 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. En tal caso E( )=µ. McGrawHill. la desviación estándar de la muestra y la proporción muestral. 10ª edición. Murray Colombia.La theta con sombrero θ̂ representa el estadístico de la muestra correspondiente como la media de la muestra. 2003. en Estadística para administración y economía. p. “Muestreo y distribuciones muestrales”. x2… una muestra aleatoria de una densidad cuya media es µ. 17 .4 Figura 7.

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

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

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

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

Sign up to vote on this title
UsefulNot useful