Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ventajas:
Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y dinero).
La manipulación de datos es mucho más simple. Si con una muestra de 1.000 personas tengo
suficiente, ¿para qué quiero analizar un fichero de millones de registros?
Inconvenientes:
Introducimos error (controlado) en el resultado, debido a la propia naturaleza del muestreo y a la
necesidad de generalizar resultados.
Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra. Por ejemplo, si la
forma en que selecciono individuos para la muestra no es aleatoria, mis resultados pueden verse
seriamente afectados.
Muestreo Aleatorio Conglomerado: Mientras que en el muestreo aleatorio estratificado cada estrato
presenta cierta homogeneidad, un conglomerado se considera una agrupación de elementos que
presentan características similares a toda la población.
Por ejemplo, para analizar los gastos familiares o para controlar el nivel de audiencia de los programas
y cadenas de televisión, se utiliza un muestreo por conglomerados-familias que han sido elegidas
aleatoriamente. Las familias incluyen personas de todas las edades, muy representativas de las
mismas edades y preferencias que la totalidad de la población.
Una vez seleccionados aleatoriamente los conglomerados, se toman todos los elementos de cada
uno para formar la muestra. En este tipo de muestreo lo que se elige al azar no son unos cuantos
elementos de la población, sino unos grupos de elementos de la población previamente formados.
Elegidos estos grupos o "conglomerados" en un número suficiente, se pasa posteriormente a la
elección, también al azar, de los elementos que han de ser observados dentro de cada grupo, o bien,
según se desee, a la observación de todos los elementos que componen los grupos elegidos.
Dos grandes dimensiones se utilizan para clasificar los diferentes tipos de muestreo por conglomerados.
Una se basa en el número de etapas en el diseño de la muestra, y el otro en la representación proporcional
de los grupos en la muestra total.
Subtipo basado en el número de etapas: A menudo, el muestreo por conglomerados se lleva a cabo
en más de una “etapa”. Una etapa es un paso dentro del proceso de muestreo en el que se toma una
muestra. Considerando el número de etapas en el diseño, hay tres subtipos principales de este
muestreo: de una sola etapa, de dos etapas, y el muestreo por conglomerados de etapas múltiples.
1° Muestreo por conglomerados de una etapa: El muestreo se hace una sola vez. Un ejemplo
sería, digamos que estamos interesados en el estudio de personas sin hogar que viven en
refugios. Si hay cinco refugios en una ciudad, un investigador seleccionará al azar a uno de los
refugios y luego incluirá en el estudio a todas las personas sin hogar que residen en el refugio
seleccionado. Un investigador de mercado podría optar por utilizar un diseño de muestreo por
conglomerado de una sola etapa. Digamos que un investigador está interesado en la prueba
de comercialización de un producto. El investigador puede seleccionar al azar códigos postales;
enviar muestras del producto junto con un cuestionario de evaluación a cada dirección dentro
del grupo seleccionado.
2° Muestreo por conglomerados en dos etapas: El diseño incluye todos los pasos del diseño de
un muestreo por conglomerados, con una excepción del último paso. En lugar de incluir todos
los elementos de los grupos seleccionados de la muestra, una muestra aleatoria (ya sea una
muestra aleatoria simple, muestra estratificada o muestra sistemática) se toman los elementos
de cada grupo seleccionado. El muestreo por conglomerados de una etapa se refiere a veces
como un submuestreo. En general, a menos que el grupo sea homogéneo, un diseño de
muestra de conglomerados en dos etapas es mejor que uno de una sola etapa.
3° Muestreo por conglomerados de etapas múltiples: Las encuestas de grandes áreas geográficas
requieren un diseño de la muestra algo más complicado que los descritos hasta este punto. Por
lo general, se debe utilizar un diseño de muestreo por conglomerados de etapas múltiples, que
consiste en la repetición de dos pasos básicos: listado y toma de muestras.
Típicamente, en cada etapa, los grupos se hacen progresivamente más pequeños en tamaño; y en la
última etapa se utiliza el elemento de muestreo.
Con carácter general, o al menos en los modelos de probabilidad clásicos, se admite una aproximación
aceptable al modelo normal siempre que n sea mayor o igual que 30, a pesar de que esta cifra es
insuficiente en determinados casos y excesiva en otros; por lo que debemos ser cautelosos en su
aplicación.
Los factores que determinan el tamaño de la muestra son la distribución de la población, el nivel de
confianza y el margen de error permitido.
Distribución de la población: La población puede ser homogénea o heterogénea, se puede realizar
un estudio piloto para tener alguna medida estadística descriptiva como la media y la desviación
estándar (S). Si no se poseen datos previos, se puede adoptar los supuestos de posición
conservadora, esto es, considera un universo infinito por lo tanto los valores de la proporción en
máxima incertidumbre son P=Q=0.50, entonces S=0.5.
Nivel de confianza: Se refiere a la probabilidad de que la estimación efectuada se ajuste a la realidad.
Niveles de confianza: 0.90; 0.95; 0.99. Los valores de la tabla Normal para Z de acuerdo al nivel de
confianza son: 1.645; 1.96 y 2.575 respectivamente.
En Ciencias Sociales puede aceptarse el trabajo con un nivel de confianza de 0.95.
Cuanto más grande es el nivel de confianza, mayor será la garantía de que la estimación realizada a
través de la muestra se aproxime a la realidad.
Error de muestreo permitido: Para fijar el tamaño de muestra adecuado a cada investigación es
preciso determinar el porcentaje de error que estamos dispuestos a tolerar. El error es el porcentaje
de incertidumbre, es el riesgo estimado de que la muestra elegida no sea representativa. A medida
que se incrementa el tamaño de la muestra, el error muestral tiende a reducirse.
Tamaño de la Muestra
N = tamaño de la población.
n = tamaño necesario de la muestra.
Z = margen de confiabilidad o número de unidades de desviación estándar en la distribución normal que
producirá un nivel deseado de confianza.
S = desviación estándar de la población conocida o estimada a partir de anteriores estudios o de una
prueba piloto.
E = error o diferencia máxima entre la media muestral y la media de la población que se está dispuesto a
aceptar con un nivel de confianza que se ha definido.
Muestreo aleatorio simple (Si no se conoce el tamaño de la población):
Muestreo proporcional
Muestreo estratificado.
Suponiendo que se trabaja con tres estratos A, B y C el tamaño de cada estrato proporcional al tamaño
de la población en cada estrato se determina con la siguiente fórmula:
4.5 Intervalos de confianza para la media, con el uso de la distribución normal y “t” de
Student.
Dada una variable aleatoria con distribución Normal N (μ, σ), el objetivo es la construcción de un
intervalo de confianza para el parámetro μ, basado en una muestra de tamaño n de la variable.
se distribuye según una t de Student de n − 1 grados de libertad. Por tanto, y siguiendo pasos similares
a los del apartado anterior, el intervalo de confianza resultante es
donde tα/2 es el valor de una distribución t de Student con n − 1 grados de libertad que deja a su derecha
una probabilidad de α/2.
Con el programa siguiente podemos calcular el intervalo de confianza para la media de una distribución
Normal con desviación típica desconocida.
4.8 Tamaño de la muestra como una estimación de P y un grado de confianza (1.-α) 100%.
La amplitud del intervalo de confianza depende del valor de
Con un nivel de confianza del (1-a) 100% admitimos que la diferencia entre la estimación para la media
a partir de la muestra y su valor real es menor que E, que llamaremos error máximo admisible.
El tamaño de la muestra depende del nivel de confianza que se desee para los resultados y
de la amplitud del intervalo de confianza, es decir del error máximo que se esté dispuesto a
admitir. Fijados estos, 1-a y E, podemos calcular el tamaño mínimo de la muestra que
emplearemos.