CONCEPTOS PRELIMINARES

DEFINICIONES
RAMAS DE LA ESTADISTICA
Diseño y técnicas de
muestreo
EJEMPLO
Estas son algunas ventajas de este tipo de muestras:
Ejercicio 1: Muestreo Aleatorio Simple (MAS)
Para seleccionar una muestra aleatoria simple de 100 estudiantes de una
población de 1000 estudiantes, puedes seguir estos pasos:
1.Asigna un número único a cada estudiante, del 1 al 1000.
2.Utiliza un generador de números aleatorios para seleccionar al azar 100
números entre 1 y 1000.
3.Los estudiantes correspondientes a los números seleccionados formarán tu
muestra.
Ejercicio 2: Muestreo Estratificado
Para realizar un muestreo estratificado en esta situación:
1.Divide a los empleados en tres grupos: Ventas, Desarrollo y Administración.
2.Calcula el tamaño de la muestra para cada estrato proporcionalmente a su
tamaño en la población.
3.Utiliza un enfoque de muestreo aleatorio simple dentro de cada estrato para
seleccionar a los empleados que serán encuestados.
Ejercicio 3: Muestreo por Conglomerados
Para llevar a cabo un muestreo por conglomerados en este caso:
1.Divide la ciudad en 10 barrios.
2.Selecciona al azar algunos barrios (conglomerados) para formar tu muestra.
3.Encuesta a todos los hogares en los barrios seleccionados.
Ejercicio 4: Muestreo Sistemático
Para aplicar el muestreo sistemático a los visitantes del parque:
1.Calcula el intervalo de muestreo: 1000 visitantes totales / 50 = 20.
2.Selecciona un número aleatorio entre 1 y 20 como punto de partida.
3.Encuesta a cada 20º visitante a partir del punto de partida.
Ejercicio 5: Muestreo por Cuotas
Para realizar un muestreo por cuotas en esta situación:
1.Define las cuotas basadas en la proporción de género: 60% mujeres y 40% hombres.
2.Encuesta a las personas en cada categoría hasta alcanzar las cuotas establecidas.
Recuerda que estos son ejemplos simplificados y en la práctica real, hay más consideraciones y
detalles a tener en cuenta en cada enfoque de muestreo probabilístico.
Los tipos de muestreo no probabilístico son aquellos en los que los elementos de la
población no tienen una probabilidad conocida de ser seleccionados en la muestra. A
diferencia del muestreo probabilístico, en el que cada elemento tiene una oportunidad igual
de ser seleccionado, en el muestreo no probabilístico la elección de los elementos se basa
en criterios subjetivos o en la disponibilidad de los mismos. Algunos tipos de muestreo no
probabilístico son:

Muestreo por conveniencia: Se seleccionan elementos que son convenientes o accesibles

para el investigador. Por ejemplo, entrevistar a las personas que están más cerca o
disponibles en ese momento.

Muestreo por juicio: El investigador utiliza su juicio y experiencia para seleccionar

elementos que considera representativos de la población. Puede llevar a sesgos si no se
realiza de manera cuidadosa.
Muestreo por cuotas: Se selecciona un número predefinido de elementos de diferentes subgrupos en
función de ciertas características. Aunque se pretende que la muestra sea representativa, la elección de
los elementos sigue siendo subjetiva.

Muestreo de bola de nieve: Utilizado en investigaciones en las que es difícil acceder a la población
objetivo. Se comienza con un pequeño grupo de elementos y se pide a esos elementos que identifiquen a
otros miembros de la población para ser incluidos en la muestra.

Muestreo intencional: Se seleccionan elementos específicos de la población basándose en un propósito

o criterio particular. Esto puede ser útil en investigaciones cualitativas, pero puede llevar a una falta de
representatividad.
Es importante mencionar que los métodos de muestreo no probabilístico pueden ser menos confiables
en términos de generalización y representatividad de la población, ya que la selección de la muestra está
influenciada por factores subjetivos. Sin embargo, en algunas situaciones donde el acceso a la población
es limitado o el enfoque es más cualitativo, estos métodos pueden ser apropiados.
 Distribuciones de Muestreo y Teorema del Límite
Central
Las distribuciones de muestreo y el Teorema del Límite Central son conceptos
fundamentales en la estadística que se relacionan con la manera en que las muestras
aleatorias se comportan en relación con las poblaciones y cómo se distribuyen las
estadísticas de interés calculadas a partir de esas muestras.

Distribuciones de Muestreo: Una distribución de muestreo es la

distribución de los posibles valores que puede tomar una estadística
(como la media, la mediana, la desviación estándar, etc.) calculada a
partir de diferentes muestras tomadas de una misma población. Dado
que cada muestra es una selección aleatoria de la población, las
distribuciones de muestreo nos proporcionan información sobre la
variabilidad que se puede esperar en la estimación de una estadística en
diferentes muestras.
Este teorema es importante porque permite hacer inferencias sobre la población,
incluso si no conocemos la distribución de la población original. Además, establece
que la media de todas las medias muestrales será igual a la media de la población
original, y que la desviación estándar de las medias muestrales (conocida como
error estándar) será inversamente proporcional a la raíz cuadrada del tamaño de la
muestra.

En resumen, el Teorema del Límite Central es una herramienta poderosa que

permite a los estadísticos y analistas hacer suposiciones sobre la distribución de las
medias muestrales, lo que facilita la realización de inferencias y la construcción de
intervalos de confianza en diversos contextos.
 A continuación, se presentan los puntos clave del Teorema del Límite Central:

1.Independencia: Las observaciones dentro de cada muestra deben ser independientes entre sí. Esto significa que la
inclusión de un elemento en la muestra no afecta la inclusión de otros elementos.

2.Tamaño de Muestra Suficientemente Grande: El TLC se cumple mejor cuando el tamaño de muestra es grande,
generalmente considerado como n ≥ 30. Sin embargo, en algunas situaciones, incluso con tamaños de muestra más
pequeños, el TLC puede proporcionar aproximaciones razonables.

3.Aproximación a la Distribución Normal: A medida que el tamaño de muestra aumenta, la distribución de las medias
muestrales se aproxima a una distribución normal. Esto significa que la media y la desviación estándar de las medias
muestrales son buenas aproximaciones de la media y la desviación estándar de la población.

4.Independientemente de la Distribución Original: El TLC es notable porque funciona independientemente de la forma

de la distribución original de la población. Incluso si la población no sigue una distribución normal, las medias muestrales
tienden a seguir una distribución normal cuando el tamaño de muestra es suficientemente grande.

5.Aplicaciones Prácticas: El Teorema del Límite Central es ampliamente utilizado en la inferencia estadística para realizar
pruebas de hipótesis, construir intervalos de confianza y estimar parámetros poblacionales. Además, es fundamental en
la validación de muchos métodos estadísticos y en la interpretación de resultados en estudios de investigación.
Profundice los conceptos de muestreo,
muestreo probabilístico y no probabilístico,
sugiera en que condiciones es
recomendable su uso y plantee tres casos
o ejemplos prácticos para cada tipo de
muestreo