TEMA 1

INTRODUCCIÓN
AL MUESTREO
I N T RO D U C C I Ó N A L M U E S T R E O

1.1. Parámetros, estadísticos y estimadores

1.2. Estimación de parámetros y pruebas de hipótesis
1.3. Muestreo aleatorio y muestreo de juicio
1.4. Muestras únicas y muestras múltiples
1.5. Muestras independientes y muestras relacionadas
1.6. Tipos de muestreo aleatorio
 OBJETIVO ESPECÍFICO

Al terminar la unidad el alumno reconocerá los diferentes

tipos de muestreo y sus características.
 1 . 1 ) PA R Á M E T RO S ,
E S TA D Í S T I C O Y E S T I M A D O R E S
Parámetro estadístico también llamados estadísticos descriptivos: son números que se obtiene a
partir de los datos de una muestra estadística, sirven para sintetizar o resumir la información dada por
una tabla o por una gráfica, es decir se tiene una idea general o resumen cuando se conoce la
distribución de la población. En particular, si la muestra proviene de una distribución normal, entonces
el promedio típico y la desviación estándar, nos esclarece como se distribuyen los datos bajo la curva.

Ejemplos de parámetros estadísticos: promedio, mediana, desviación estándar o los cuartiles.

Los parámetros estadísticos se clasifican según la información que resumen:

a) Tendencia Central.
b) Dispersión.
 P A R Á M E T R O E S TA D Í S T I C O

a) De tendencia central
• Media aritmética: Ejemplo: Supongamos que tenemos un conjunto de datos que representan las edades de un
grupo de personas: 25, 30, 35, 40 y 45 años. La media aritmética sería: 35años
• Media=(25+30+35+40+45)/5 =35.

• Mediana: Ejemplo: Tomando el mismo conjunto de datos de las edades: 25, 30, 35, 40 y 45 años. La mediana
sería el valor central en el conjunto ordenado, que en este caso es 35 años.

• Moda: Ejemplo: Si consideramos un conjunto de datos que representan las calificaciones de un examen: 70, 75,
80, 85, 80, 90, 80. La moda sería 80, ya que es el valor que más se repite en el conjunto de datos.
 P A R Á M E T R O E S TA D Í S T I C O

b) De Dispersión
• Desviación estándar: Ejemplo: Supongamos que tenemos un conjunto de datos que representan las calificaciones de
un examen: 70, 75, 80, 85, 80, 90, 80. La desviación estándar se calcularía como sigue:
Desviación estándar=((70−80)2+(75−80)2+(80−80)2+(85−80)2+(80−80)2+(90−80)2+(80−80)2)1/2
Desviación estándar=((100+25+0+25+0+100+0)/7)1/2≈ (250/7) )1/2 ≈ 5.98

• Varianza: Ejemplo: Tomando el mismo conjunto de datos que en el ejemplo anterior, la varianza se calcularía como el
cuadrado de la desviación estándar: Varianza=(5.98)2 ≈ 35.76

• Rango: Ejemplo: Supongamos que tenemos un conjunto de datos que representan las edades de un grupo de personas:
25, 30, 35, 40 y 45 años. El rango sería la diferencia entre el valor máximo y el valor mínimo, es decir:
Rango=Máximo−Mínimo=45−25= 20

Es importante destacar que, en la práctica, los parámetros poblacionales son generalmente desconocidos y se intentan
estimar utilizando datos de una muestra representativa de la población mediante técnicas de estadística inferencial.
 ESTIMADORES

Los estimadores nos proporcionan las características de una población específica, son reglas o fórmulas
matemáticas que se utilizan para calcular una aproximación de un parámetro desconocido de una población
basándose en la información proporcionada por una muestra de esa población. Los estimadores son
fundamentales en la inferencia estadística, ya que permiten hacer conclusiones sobre la población a partir de los
datos recopilados en la muestra.
Los estimadores pueden ser de diferentes tipos, pero dos de los más comunes son:

1. Estimadores Puntuales: proporcionan un solo valor como estimación del parámetro poblacional
desconocido. Por ejemplo, la media muestral es un estimador puntual de la media poblacional.

2. Estimadores de Intervalo: proporcionan un intervalo dentro del cual se espera que se encuentre el valor
del parámetro poblacional con cierto nivel de confianza. Por ejemplo, un intervalo de confianza para la media
poblacional.
 ESTIMADORES

Los estimadores pueden tener propiedades deseables como:

• Insesgadez (es decir, su valor esperado es igual al valor del parámetro poblacional).
• Eficiencia (proporcionan estimaciones precisas).
• Consistencia (convergen al valor del parámetro poblacional a medida que el tamaño de la
muestra aumenta).

En resumen, los estimadores son herramientas fundamentales que nos permiten hacer inferencias
sobre una población a partir de los datos recopilados en una muestra, ayudándonos a comprender y
tomar decisiones sobre fenómenos desconocidos a partir de la información disponible.
 1 . 2 ) E S T I M AC I Ó N D E PA R Á M E T RO S
Y PRUEBAS DE HIPÓTESIS

Son dos conceptos fundamentales en el campo de la estadística inferencial. Ambos se utilizan para
hacer inferencias sobre una población basadas en una muestra de datos. Estos son:

Estimación de Parámetros:
• Implica el uso de muestras de datos para hacer inferencias sobre los parámetros desconocidos de
una población. Por ejemplo, si queremos conocer la media (μ) de una población, pero solo tenemos
acceso a una muestra de datos, podemos utilizar técnicas de estimación para calcular un intervalo
de confianza para μ. Este intervalo proporciona un rango plausible de valores para el parámetro
desconocido.
 E S T I M AC I Ó N D E PA R Á M E T RO S

Hay dos enfoques principales para la estimación de parámetros:

1. Estimación puntual: Consiste en proporcionar un único valor como estimación del parámetro
desconocido. Por ejemplo, si calculamos la media muestral ( ) de una muestra de datos,
podemos usarla como una estimación puntual de la media poblacional (μ) .

2. Estimación por intervalos: En lugar de proporcionar un único valor, se proporciona un

intervalo dentro del cual se espera que esté el parámetro con cierto nivel de confianza. Este
intervalo se llama intervalo de confianza. Por ejemplo, un intervalo de confianza del 95% para
la media poblacional indicaría que hay un 95% de probabilidad de que el verdadero valor del
parámetro esté contenido dentro de ese intervalo.
 PRUEBAS DE HIPÓTESIS
Son procedimientos estadísticos que se utilizan para tomar decisiones sobre afirmaciones acerca de los parámetros de una
población. Estas afirmaciones se formulan en términos de dos hipótesis:

• Hipótesis nula (H0): Es la afirmación inicial o la posición de no efecto. Se suele denotar como la situación en la que no
hay diferencia o no hay efecto. Por ejemplo, H0 : μ=10 podría representar la hipótesis de que la media poblacional es igual
a 10.
• Hipótesis alternativa (Ha o H1): Es la afirmación contraria a la hipótesis nula. Representa la situación en la que hay una
diferencia o un efecto. Por ejemplo, Ha : μ ≠10 podría representar la hipótesis de que la media poblacional no es igual a
10.

El proceso de prueba de hipótesis implica los siguientes pasos:

1. Formulación de hipótesis: Se establecen las hipótesis nula y alternativa.
2. Selección del nivel de significancia (α): Es la probabilidad de cometer un error tipo I al rechazar la hipótesis nula
cuando es verdadera. Es típicamente fijado en 0.05 o 0.01.
3. Selección de la prueba estadística adecuada: Se elige una estadística de prueba apropiada en función de la
distribución de la muestra y de la naturaleza de la hipótesis.
 PRUEBAS DE HIPÓTESIS

4. Cálculo del valor p: Es la probabilidad de obtener un resultado igual o más extremo que el observado,
asumiendo que la hipótesis nula es verdadera.
5. Toma de decisión: Si el valor p es menor que el nivel de significancia (α), se rechaza la hipótesis nula en
favor de la alternativa; de lo contrario, no se rechaza la hipótesis nula.
6. Interpretación de los resultados: Se interpretan los resultados de la prueba en términos del problema
específico y se llega a una conclusión sobre la hipótesis nula.

Ambos conceptos, la estimación de parámetros y las pruebas de hipótesis, son herramientas poderosas en
estadística inferencial que permiten a los investigadores sacar conclusiones sobre las poblaciones a partir de
muestras de datos.
 1 . 3 ) M U E S T R E O A L E ATO R I O Y
MUESTREO DE JUICIO
Muestreo Aleatorio: es un método en el que cada individuo o elemento de la población tiene una probabilidad conocida y
no nula de ser seleccionado en la muestra. Este método se basa en la aleatorización y la imparcialidad en la selección de
elementos. Algunos de los principales tipos de muestreo aleatorio son:

1. Muestreo Aleatorio Simple (MAS): Cada miembro de la población tiene la misma probabilidad de ser seleccionado.
Por ejemplo, si tenemos una lista de 100 estudiantes y queremos seleccionar una muestra de 10 estudiantes, cada
uno tendría una probabilidad del 10% de ser seleccionado.

2. Muestreo Aleatorio Estratificado: La población se divide en grupos homogéneos llamados estratos y luego se
selecciona una muestra aleatoria de cada estrato. Este método se utiliza cuando la población tiene subgrupos con
características diferentes y se desea asegurar que todos los estratos estén representados en la muestra.
 M U E S T R E O A L E ATO R I O

3. Muestreo Aleatorio Sistemático: Se elige un elemento de la población al azar y luego se seleccionan los
elementos subsiguientes a intervalos regulares. Por ejemplo, si queremos seleccionar una muestra de 100
de una población de 1000, podríamos seleccionar cada décimo elemento.

4. Muestreo Aleatorio por Conglomerados: La población se divide en grupos más pequeños llamados
conglomerados y luego se seleccionan algunos conglomerados al azar para formar la muestra.
Posteriormente, se toman muestras de todos los elementos dentro de los conglomerados seleccionados.

El muestreo aleatorio es fundamental en la investigación científica y social, ya que proporciona una base sólida
para hacer inferencias sobre la población a partir de la muestra seleccionada.
 MUESTREO DE JUICIO
También conocido como muestreo no probabilístico, se basa en la experiencia y el juicio del investigador en la selección de
elementos de la muestra. A diferencia del muestreo aleatorio, en el muestreo de juicio, la selección de la muestra no se
realiza de manera aleatoria y, por lo tanto, no se puede calcular la probabilidad de selección para cada individuo en la
población. Algunas técnicas comunes de muestreo de juicio incluyen:
1. Muestreo por conveniencia: Los elementos se seleccionan en función de su disponibilidad y accesibilidad. Por ejemplo,
encuestar a personas que estén presentes en un lugar específico en un momento dado.
2. Muestreo de expertos: Se seleccionan elementos basados en la opinión de expertos en el campo relevante. Por
ejemplo, seleccionar empresas para un estudio basado en recomendaciones de expertos en la industria.
3. Muestreo por cuotas: Se establecen ciertas cuotas para diferentes grupos dentro de la población y se seleccionan los
elementos de la muestra para que se ajusten a esas cuotas. Por ejemplo, asegurarse de que la muestra incluya un
número específico de hombres y mujeres de diferentes grupos de edad.
Aunque el muestreo de juicio puede ser más rápido y económico que el muestreo aleatorio, tiene limitaciones importantes
en términos de representatividad y generalización de los resultados a la población más amplia. Por lo tanto, es importante
tener cuidado al interpretar los resultados obtenidos a través de este método y reconocer las posibles fuentes de sesgo.
 1.4) MUESTRAS ÚNICAS Y
M U E S T R A S M Ú LT I P L E S

Muestras Únicas: son aquellas en la que se recopila información de una sola vez en un único período de tiempo o en un
único conjunto de circunstancias. En este enfoque, los datos se recopilan de manera simultánea de todos los sujetos o
elementos seleccionados en la muestra. Algunos aspectos importantes de las muestras únicas incluyen:

1. Un solo período de recolección de datos: En las muestras únicas, la información se recopila de manera simultánea
de todos los individuos en la muestra en un solo momento o período de tiempo.

2. Aplicación en estudios transversales: Las muestras únicas son comunes en estudios transversales, donde se analiza
una población en un momento específico para observar y comparar características o variables de interés.

3. Limitaciones en el seguimiento temporal: Debido a que los datos se recopilan solo una vez, las muestras únicas no
permiten el seguimiento temporal de cambios en las variables de interés a lo largo del tiempo.

4. Eficiencia en costos y recursos: La recopilación de datos en una sola ocasión puede ser más eficiente en términos de
costos y recursos en comparación con el seguimiento a largo plazo de una muestra.
 M U E S T R A S M Ú LT I P L E S
Implican la recopilación de información de manera repetida y en múltiples momentos o períodos de tiempo. En este enfoque,
se realizan múltiples rondas de recolección de datos a lo largo de un período de tiempo específico. Algunas características
clave de las muestras múltiples son:
1. Múltiples rondas de recolección de datos: Los datos se recopilan en múltiples ocasiones a lo largo de un período de tiempo
determinado, lo que permite observar cambios y tendencias en las variables de interés.
2. Seguimiento temporal: Las muestras múltiples permiten el seguimiento temporal de los individuos o elementos en la muestra,
lo que facilita la observación de cambios a lo largo del tiempo.
3. Aplicación en estudios longitudinales: Las muestras múltiples son comunes en estudios longitudinales, donde se sigue a
una muestra de sujetos a lo largo del tiempo para examinar el desarrollo, los cambios y los resultados a largo plazo.
4. Desafíos en la retención de la muestra: Mantener la participación de los sujetos a lo largo de múltiples rondas de recolección
de datos puede ser un desafío, especialmente en estudios de larga duración.
En resumen, mientras que las muestras únicas son adecuadas para estudios transversales y pueden ser más eficientes en
términos de costos y recursos, las muestras múltiples son esenciales para estudios longitudinales que requieren seguimiento
temporal y observación de cambios a lo largo del tiempo. Cada enfoque tiene sus propias ventajas y limitaciones, y la
elección entre ellos depende de los objetivos de investigación y las características del estudio.
 1.5) LAS MUESTRAS INDEPENDIENTES Y
L A S M U E S T R A S R E L AC I O N A DA S
Son dos tipos de diseños de investigación que se utilizan para recopilar datos en estudios experimentales o
cuasiexperimentales. Cada uno tiene sus propias características, aplicaciones y consideraciones.

Muestras independientes:
• En un diseño de muestras independientes, los participantes se asignan aleatoriamente a uno de los dos grupos
de tratamiento. Cada grupo recibe un nivel diferente de la variable independiente que se está estudiando. Los
participantes en un grupo no tienen ninguna relación con los participantes en el otro grupo.

• Por ejemplo, en un estudio sobre los efectos de un nuevo medicamento para reducir la presión arterial, se
podrían asignar aleatoriamente a los participantes a uno de los dos grupos: uno que recibe el medicamento y otro
que recibe un placebo. Los dos grupos serían independientes entre sí, y cualquier diferencia en los resultados
entre los dos grupos se atribuiría al tratamiento administrado.
 MUESTRAS INDEPENDIENTES

Ventajas de las muestras independientes:

• Reducción del riesgo de sesgo de selección: Al asignar aleatoriamente a los participantes a los grupos de
tratamiento, se reduce la posibilidad de que características preexistentes de los participantes influyan en los
resultados.
• Mayor control experimental: Al no haber relación entre los participantes en diferentes grupos, es más fácil
controlar los factores externos que podrían influir en los resultados.

Desventajas de las muestras independientes:

• Mayor variabilidad: Debido a las diferencias individuales entre los participantes asignados aleatoriamente a
diferentes grupos, puede haber una mayor variabilidad en los datos.
• Requiere más participantes: A menudo se necesita un mayor número de participantes en comparación con un
diseño de muestras relacionadas para detectar diferencias significativas entre los grupos.
 M U E S T R A S R E L AC I O N A DA S
• En un diseño de muestras relacionadas, los mismos participantes son asignados a diferentes condiciones de
tratamiento o se miden repetidamente en diferentes momentos. Esto permite comparar los resultados dentro de
cada participante en lugar de entre diferentes participantes.
• Por ejemplo, en un estudio sobre los efectos de un programa de intervención para reducir el estrés, se podría
medir el nivel de estrés de los participantes antes de la intervención y luego medirlo nuevamente después de la
intervención. Las diferencias en los niveles de estrés se compararían dentro de cada participante.

Ventajas de las muestras relacionadas:

• Mayor eficiencia: Al utilizar los mismos participantes en diferentes condiciones o momentos, se reduce la
variabilidad debida a diferencias individuales, lo que puede permitir detectar efectos más pequeños con un
menor número de participantes.
• Mayor poder estadístico: Los diseños de muestras relacionadas pueden tener un mayor poder estadístico para
detectar efectos debido a la reducción de la variabilidad dentro de los participantes.
 M U E S T R A S R E L AC I O N A DA S

Desventajas de las muestras relacionadas:

• Riesgo de sesgo de práctica o de orden: Los cambios en los resultados pueden atribuirse a factores distintos
del tratamiento, como la familiaridad con las pruebas o el simple efecto de la repetición.
• Mayor riesgo de sesgo de retirada: Si hay una alta tasa de abandono entre los participantes, podría afectar la
validez de los resultados al introducir un sesgo de selección.

En resumen, tanto las muestras independientes como las muestras relacionadas tienen sus propias ventajas y
desventajas. La elección entre ellas dependerá de los objetivos de investigación, la viabilidad de asignar
aleatoriamente a los participantes y la naturaleza de la variable independiente que se está estudiando. En algunos
casos, puede ser beneficioso utilizar una combinación de ambos diseños para abordar diferentes aspectos de la
pregunta de investigación.
 1 . 6 ) T I P O S D E M U E S T R E O A L E AT O R I O
El muestreo aleatorio es una técnica fundamental en la investigación estadística que consiste en seleccionar una muestra
de una población de manera que cada elemento tenga la misma probabilidad de ser seleccionado. Dentro del muestreo
aleatorio, existen diferentes tipos que se utilizan según las características de la población y los objetivos de la
investigación. Tipos de muestreo aleatorio más comunes:
1. Muestreo aleatorio simple (MAS): En el muestreo aleatorio simple, cada elemento de la población tiene la misma
probabilidad de ser seleccionado en la muestra. Esto significa que cada miembro de la población tiene una oportunidad
igual de ser incluido en la muestra, sin importar su posición, características o tamaño.
2. Muestreo aleatorio estratificado: En este tipo de muestreo, la población se divide en subgrupos o estratos
homogéneos en términos de alguna característica relevante. Luego, se toma una muestra aleatoria de cada estrato.
Este método se utiliza cuando se desea asegurar que ciertos grupos estén representados adecuadamente en la
muestra, lo que permite una mayor precisión en las estimaciones.
3. Muestreo aleatorio por conglomerados: Aquí, la población se divide en grupos más grandes o conglomerados, y
luego se seleccionan algunos de estos conglomerados al azar para formar la muestra. Una vez que se seleccionan los
conglomerados, se pueden realizar mediciones en todos los elementos dentro de los conglomerados seleccionados o se
puede tomar una muestra aleatoria dentro de cada conglomerado.
 1 . 6 ) T I P O S D E M U E S T R E O A L E AT O R I O
4. Muestreo aleatorio sistemático: En este método, los elementos de la población se ordenan y se
selecciona cada k-ésimo elemento para formar la muestra, donde k es el tamaño de la población dividido
por el tamaño de la muestra. El primer elemento se elige al azar entre los k primeros elementos. Este
enfoque es útil cuando la población está ordenada de alguna manera y se desea una selección aleatoria,
pero no es práctico o posible enumerar todos los elementos.
4. Muestreo aleatorio por conglomerados doble o múltiple: Este método combina la idea de muestreo
aleatorio simple y muestreo por conglomerados. La población se divide en conglomerados, luego se
seleccionan aleatoriamente algunos conglomerados y, finalmente, se toma una muestra aleatoria de
elementos dentro de cada conglomerado seleccionado. Es útil cuando los elementos dentro de cada
conglomerado son heterogéneos.
Cada tipo de muestreo aleatorio tiene sus propias ventajas y desventajas, y la elección del método adecuado
depende de varios factores, como la naturaleza de la población, los recursos disponibles y los objetivos de la
investigación. Es importante seleccionar el método de muestreo adecuado para garantizar la representatividad
y precisión de los resultados obtenidos.
 BIBLIOGRAFÍA

• Anderson, D. R. (2019). Estadística para negocios y economía. (13a ed.)

México: Cengage Leraning.

• Brase, C. H. (2019). Estadística básica. México: Cengage Learning.

• Díaz, A. (2014). Estadística aplicada a la administración y la economía.

México: McGraw Hill