Muestreo Aleatorio Simple

(MAS)

Este método de muestreo proporciona un punto de

partida para una exposición de los métodos de
muestreo probabilístico no porque sea uno de los
métodos de muestreo más utilizados sino porque
constituyen la base de métodos de muestreo más complejos. Dependiendo si el muestreo es con
reposición o sin reposición, podemos hablar de muestreo aleatorio simple con reposición o sin
reposición respectivamente. De manera formal, este diseño básico o técnica de muestreo se
define de la siguiente manera:

Si se selecciona un tamaño de muestra n de una población de tamaño N de tal manera que cada
muestra posible de tamaño n tenga la misma probabilidad de ser seleccionada, el procedimiento
de muestreo se denomina muestreo aleatorio simple. A la muestra así obtenida se le denomina
muestra aleatoria simple.

 Las ventajas que tiene este procedimiento de muestreo son las siguientes:
 Sencillo y de fácil comprensión.
 Calculo rápido de medias y varianzas.

Existen paquetes informáticos para analizar los datos

Por otra parte, las desventajas de este procedimiento de muestreo son: Requiere que se posea de
antemano un listado completo de toda la población. Si trabajamos con muestras pequeñas, es
posible que no representen a la población adecuadamente. A continuación, pasamos a describir
este procedimiento de muestreo considerando muestreo sin reposición.

1.1. Diseño muestra Vamos a analizar el diseño de este procedimiento de muestreo. Supongamos
en todo momento que el tamaño de la población es N y el tamaño de la muestra es n.
1.1.1. Probabilidad de una muestra cualquiera Dada la forma de definirse el procedimiento de
selección de la muestra, el conjunto formado por todas las muestras S tiene un total de

Canon = N n

muestras posibles, ya que estamos considerando muestras no ordenadas. Luego si todas

las muestras son equiprobables, la probabilidad de cada muestra viene dada por

P(s) = 1 N n , ∀s ∈ S

1.2.2 Probabilidad de primera inclusi´on Calculemos la probabilidad que tiene cualquier unidad de
la poblaci´on de pertenecer a la muestra, o lo que es lo mismo, calcularemos πi for i = 1, 2, . . . , N.
Por ello, consideramos el número de muestras posibles que se pueden formar con los elementos
de la poblaci´on y que contengan al elemento u. En este caso, el total de muestras que contienen a
dicho elemento viene dado por CN−1,n−1 = N − 1 n − 1 , ya que en este caso se fija el elemento u
y las muestras posibles resultan de las formas posibles de seleccionar de entre los N − 1 elementos
de la poblaci´on restantes n−1 de ellos para la muestra (el elemento u ya pertenece a la muestra).
Para i = 1, 2, . . . , N, se tiene que πi = P(u ∈ s) = = Total de muestras que contienen a u Total de
muestras = N − 1 n − 1 N n = n N 1.1.3. Probabilidad de segunda inclusión Vamos a calcular la
probabilidad que tiene cualquier par de unidades de la poblaci´on de pertenecer a una muestra
determinada. Para ello, notemos que el número de muestras posibles que pueden formarse con
los elementos de la poblaci´on y que contengan al par (u , un ) con u 6= un es igual a CN−2,n−2 = N
− 2 n − 2 , ya que en este caso se fija el par de elementos (u , un ) y las muestras posibles resultan
de las formas posibles de seleccionar de entre los N-2 elementos de la 4 poblaci´on restantes n−2
de ellos para la muestra (los elementos u y un ya están fijos en la muestra). Tenemos entonces que
πji = P ((u, un) ∈ s) = Casos favorables Casos posibles = Total de muestras que contienen a (u, un)
Total de muestras = n (n − 1) N (N − 1)

1.1.2. Ejemplo Una empresa industrial está interesada en el tiempo por semana que los
científicos emplean para ciertas tareas triviales. Las hojas de control del tiempo de una
muestra aleatoria simple de n = 50 empleados muestran que la cantidad promedio de
tiempo empleado en esas tareas es de 10.31 horas, con una cuasi-varianza muestra S 2 =
2,25. La compañía emplea N = 750 científicos. Estimar el número total de horas por
trabajador que se pierden por semana en tareas triviales y establecer el error de
estimación asociada a dicha estimación. Solución. La poblaci´on se compone de N = 750
empleados, de los cuales se selecciona una muestra aleatoria de n = 50 hojas de control
del tiempo. La cantidad promedio de tiempo que se pierde por los 50 empleados fue de
10,31 horas por semana. Luego la estimación del total de horas de trabajador que se
pierden por semanas en tareas triviales X viene dada por Kb = Mb¯ = 750(10,31) = 7732,5
horas. El error asociado a dicha estimación viene dado por q (VV.(Kb)) = r (750)2 2,25 50
750 − 50 750 = 153,7 horas.
 muestreo aleatorio estratificado
(MAE)

El objetivo del diseño de encuestas por muestreo

es maximizar la cantidad de información para un
coste dado. El muestreo aleatorio simple suele
suministrar buenas estimaciones de parámetros
poblacionales a un coste bajo, pero existen otros
procedimientos de muestreo, como el muestreo estratificado, que en muchas ocasiones
incrementa la cantidad de información para un coste dado. El muestreo estratificado es un diseño
de muestreo probabilístico en el que dividimos a la poblaci´on en subgrupos o estratos. La
estratificación puede basarse en una amplia variedad de atributos o características de la poblaci
´on como edad, genero, nivel socioeconómico, ocupación, etc. Así, consideramos una poblaci´on
heterogénea con N unidades, y en la que la subdividimos en L subpoblaciones denominados
estratos lo más homogéneas posibles no solapadas, atendiendo a criterios que puedan ser
importantes en el estudio, de tamaños N1, N2, . . ., NL. Obviamente N1 + N2 + . . . + NL = N, donde
N es el total de individuos de la poblaci´on. La muestra estratificada de tamaño n se obtiene
seleccionando una muestra aleatoria simple de tamaño no (h = 1, 2, . . ., L) de cada uno de los
estratos en que se subdivide la poblaci´on de forma independiente. De igual modo, n1 + n2 + . . . +
mal = n, donde n es el tamaño de la muestra que queremos seleccionar. Podemos expresar la
formación de estratos en la poblaci´on y la formación de la muestra estratificada de la forma
siguiente: Poblaci´on = {u1, u2, . . . , un } −→ se divide en L estratos    u11 u12 . . .
u1N1 u21 u22 . . . u2N2 . . . . . . . . . . . . uL1 uL2 . . . un X L h=1 Ni = N. 1 2 Seleccionamos una
muestra de tamaño n, {u1, u2, . . . , un} −→ se extrae en cada estrato    u11 u12 . . .
u1n1 u21 u22 . . . u2n2 . . . . . . . . . . . . uL1 uL2 . . . un X L h=1 no = n. Este muestreo se utiliza
cuando la poblaci´on de estudio es muy heterogénea ya que necesitaríamos un gran esfuerzo
muestra para obtener cierta precisión mientras que si la poblaci´on está dividida en grupos,
bloques o estratos que sean internamente homogéneos, el esfuerzo en cada grupo será mínimo
resultando globalmente un esfuerzo menor. Por ejemplo, si preguntamos en una facultad el
número medio de horas de estudio los estratos en este estudio serán los cursos. Las razones para
el uso del muestreo estratificado son las siguientes: El muestreo estratificado puede aportar
información más precisa de algunas subpoblaciones que varían bastante en tamaño y propiedades
entre sí, pero que son homogéneas dentro de sí. Los estratos deberían en lo posible estar
constituidos por unidades homogéneas. El uso adecuado del muestro estratificado puede generar
ganancia en precisión, pues al dividir una poblaci´on heterogénea en estratos homogéneos, el
muestreo en estos estratos tiene poco error debido precisamente a la homogeneidad.
Motivaciones de tipo geográfico ya que se requieren estimaciones para ciertas áreas o regiones
geográficas. Las cuestiones que plantea este tipo de muestreo son: ¿Que características utilizar
para dividir la poblaci´on en estratos? ¿Cómo se identificarán los estratos? ¿Cuantos estratos debe
haber? ¿Cuántas unidades seleccionar de cada estrato?

Ejemplo Sea X la variable salario anual en millones de unidades monetarias. Al medir la variable X
sobre una poblaci´on de 870 personas se obtiene la siguiente distribución de frecuencias. X 2 3 4 7
10 12 16 20 25 30 35 50 60 100 ni 20 30 60 100 150 200 120 80 50 20 18 10 8 4 Con el objeto de
establecer pautas para futuras encuestas de salarios se estratifica la poblaci´on en 3 estratos
según los criterios dados por 2 ≤ X ≤ 7, 10 ≤ X ≤ 25, 30 ≤ X ≤ 100. Para una muestra n = 100, realizar
la afijación uniforme. 10 La afijación uniforme consiste en extraer de cada estrato el mismo
número de unidades para realizar la muestra. En este caso, n L = 100 3 = 33,33..., donde L es el
total de estratos y n es el tamaño muestra. Por lo tanto, una afijación de este tipo consiste en
extraer 33 individuos de un estrato, 33 individuos de otro estrato y 34 del estrato restante.

Muestreo sistemático (MS)

El muestreo sistemático es un tipo de

muestreo que es aplicable cuando los
elementos de la población sobre la que se
realiza el muestreo están ordenados. Este
procedimiento de muestreo se basa en tomar
muestras de una manera directa y ordenada a partir de una regla determinística, también llamada
sistemática. Concretamente, a partir de una sola unidad que se selecciona en primer lugar, el resto
de unidades de la muestra vienen determinadas automáticamente al aplicarle a dicha unidad una
regla selección sistemática. Bajo este procedimiento de muestreo, por ejemplo, seleccionamos
cada vigésimo nombre de una lista, cada decimosegunda casa de un lado de una calle, cada
quincuagésima pieza de una línea de montaje, etc. En este capítulo consideramos el diseño
muestra sistemático más sencillo llamado muestreo sistemático uniforme de paso k. La obtención
de una muestra sistemática de tamaño n de una población de N elementos se consigue siguiendo
el siguiente procedimiento. 1. Conseguir un listado ordenado de los N elementos de la población.
2. Determinar el tamaño muestra n. 3. Definir el tamaño del salto sistemático k dado por k = N/n.
4. Elegir un número aleatorio δ entre 1 y k (δ=arranque aleatorio). Este número permite obtener la
primera unidad muestra. 5. A partir de la posición δ, dando un salto de k unidades, obtendremos
la segunda unidad de la muestra uδ+k y de esta forma, saltando de k en k unidades, el resto de la
muestra estar ‘a formada por las unidades uδ+2k, uδ+3k, . . ., u+(n−1) k. Ejemplo 1 Consideramos
una población de 5000 agricultores pertenecientes a una determinada zona y de la que se
pretende extraer una muestra sistemática de 10 agricultores. El procedimiento a seguir es el
siguiente: Definir el tamaño del salto sistemático k = 5000/10 = 500. 1 2 Selecciona un numero
aleatorio r entre 1 y 500, (por ejemplo 96). Seleccionar los restantes elementos de la muestra, 96,
96+500=596, 596+500=1096, 1596, 2096, 2596, 3096, 3596, 4096, 4596. En realidad, bajo
muestreo sistemático, clasificamos las unidades de la población en n zonas o filas de tamaño k, las
numeramos de izquierda a derecha empezando por la primera unidad de la primera fila y pasando
a a primera unidad de la siguiente fila una que se haya agotado la fila anterior. Una vez numeradas
las N = no unidades podemos expresarlas de la siguiente forma: i  1 2 3 . . . j . . . k 1 u1 u2 u3 . . .
un . . . u 2 uk+1 uk+2 uk+3 . . . uδ+k . . . uδ+k 3 u2k+1 u2k+2 u2k+3 . . . u2k+j u2k+k . . . . . . . . . . . . . .
. i u(i−1)k+1 u(i−1)k+2 u(i−1)k+3 . . . u(i−1)kJ . . . u(i−1)cok . . . . . . . . . . . . . . . . . . n u(n−1)k+1
u(n−1)k+2 u(n−1)k+3 . . . u(n−1)kJ . . . u(n−1)cok Con estas especificaciones, el espacio muestra
está formado por las siguientes k muestras posibles: (S1) = {u1, u1+k, u1+2k, . . . , u1+(n−1)k} (S2) =
{u2, u2+k, u2+2k, . . . , u2+(n−1)k} . . . (Si) = {u, uδ+k, uk+2k, . . ., u+(n−1) k} Cada una de estas
muestras tiene probabilidad igual a 1/k = n/N de ser seleccionada. Las probabilidades de inclusión
de primer y segundo orden correspondiente a este diseño muestra son πi = X s∈S;ui∈s p(s) = 1 k =
n N , i = 1, 2, . . . , N, para la probabilidad de primer orden y πji = P[(u , un ) ∈ s] 1/k si u y un están
en la misma muestra 0 en otro caso

muestreo por
conglomerado
(MPC)

se usa cuando hay una

conglomeración de las unidades
muestréales y cuando se trata de
ahorrar el costo del muestreo. En este
tipo de muestreo, se selecciona de
forma aleatoria un cierto número de
los conglomerados del cuadro y luego
se hace prácticamente un censo completo de cada uno de los conglomerados (Cochrane, 1977;
Confíele, 1951; Deming, 1960; Hansen et al., 1953; Kiss, 1965; Mundanal, 1971). Ejemplo del
Muestreo Conglomerado (MC) Concepto Vamos a suponer que deseamos conocer las ganancias
por cabeza de las familias de un municipio. Las familias viven en las casas habitacionales y éstas
casa están situadas en 415 manzanas dentro del municipio. Dana: International Jornal of Godo
Consciente. 6(2) 186-194. Octubre 2011. ISSN 1870-557X 187 Propósito El objetivo es obtener, en
base a un muestreo científico información al respecto. Es claro que el tipo del diseño muestrear
adecuados para esta situación por el rasgo del arreglo espacial de tipo agregada sería el muestreo
conglomerado (Belloso & Raó, 1975; Cochrane, 1946; Auckland, 1951). Procedimiento De forma al
azar se seleccionan 10 manzanas del total de las manzanas del municipio y se arrojan los
siguientes datos (Tabla 1). Además, los tamaños óptimos de la muestra (nota) para el muestreo
conglomerado en función de diferentes valores de “L”
Ecuaciones: nota = [N*[(ya - mi) 2 / (n -1)] / [N*D + [(ya - mi) 2 / (n -1)] EE(con) = [{(N – n) /
(Non*M2)} *{∑ (ya - mi) 2} / (n -1)]1/2 Dana: International Jornal of Godo Consciente. 6(2) 186-
194. Octubre 2011. ISSN 1870-557X 188 Donde, nota = Tamaño óptimo de la muestra N = Total de
las unidades de la muestra ya = Ingreso total por manzana “i” mi = Ingreso promedio por adulto en
pesos D = L2 *M / 4 L = Error de estimación a nivel de 95% de probabilidad = 2 EE(con) EE(con) =
Error estándar del muestreo conglomerado M = Promedio de adultos por manzana EE(con) = [{(N –
n)/(Non*M2 )}*{∑(ya - mi) 2 }/(n -1)]1/2 EE(con) = [{(415–10)/(415*10-(6.4)2 *[(96–10.61)2 +(121–
10.61)2 +.+(50– 10.61)2 ]/(10-1)]1/2=5.59 Brío = EE(con) / mi Brío = 5.59 / 10.16 = 0.55 L = 2 Brío =
2 (0.55) = 1.10 Para diferentes valores de L, se calculan los siguientes tamaños óptimos de la
muestra.