UNIVERSIDAD DE GUAYAQUIL

FACULDATAD CIENCIAS MEDICAS

CARRERA:
MEDICINA OBSTETRICIA
CATEDRA:
METODOLOGIA DE LA INVESTIGACION II

DOCENTE:
DRA. GOMEZ RAMOS SILVIA ALEXANDRA

TEMA:
METODOS PROBABILISTICOS Y NO
PROBABILISTICOS EN UNA INVESTIGACION

GRUPO # 3
INTEGRANTES:
 MICA MORAN
 EMILIANO PILLAJO
 VALESKA RIZO
 XIOMARA VASQUEZ
 Los métodos probabilísticos

Los MP consisten en representar cada uno de los parámetros del modelo mediante
funciones de distribución probabilísticas en lugar de hacerlo mediante estimaciones
puntuales, tal como se haría en un análisis determinístico.

Las distribuciones utilizadas no son para nada arbitrarias y dependen de los datos
observacionales obtenidos, del tipo de parámetro modelizado y del proceso de
estimación utilizado.

Dicho de otra forma, en un análisis probabilístico no todos los pacientes se comportan

como el paciente medio, y el modelo ya refleja explícitamente la variabilidad que pueda
haber entre los distintos pacientes dentro de una cohorte. Por ejemplo, puede resultar
poco realista suponer que todos los pacientes de una cohorte tengan la misma
probabilidad de responder favorablemente a un determinado tratamiento. Lo más
razonable es suponer que haya variaciones en la tasa de respuesta, tal como contemplan
las distribuciones de probabilidades8.

El muestreo probabilístico es un método utilizado en estadística para seleccionar una

muestra de una población de manera que cada elemento tenga una probabilidad
conocida y no nula de ser seleccionado. En otras palabras, en un muestreo
probabilístico, cada elemento de la población tiene una oportunidad definida de ser
incluido en la muestra, lo que permite realizar inferencias válidas sobre la población
completa.

Los métodos de muestreo probabilístico más comunes incluyen el muestreo aleatorio

simple, el muestreo estratificado, el muestreo por conglomerados y el muestreo
sistemático. Cada uno de estos métodos tiene sus propias características y aplicaciones
específicas, pero todos comparten el objetivo de proporcionar una muestra
representativa de la población de interés. Esto es fundamental para garantizar la validez
de las conclusiones estadísticas y las inferencias realizadas a partir de la muestra.
 Muestreo aleatorio simple
El muestreo aleatorio simple es un subconjunto de una muestra elegida de una
población más grande. Cada individuo se elige al azar y por pura casualidad. En este
tipo de muestreo cada individuo tiene la misma probabilidad de ser elegido en cualquier
etapa del proceso.
Cabe mencionar que es diferente al muestreo sistemático. Una muestra aleatoria simple
es una técnica de muestreo justa.
El muestreo aleatorio simple es un tipo de método de muestreo muy básico y puede ser
fácilmente un componente de un método de muestreo más complejo. El principal
atributo de este método de muestreo es que cada muestra tiene la misma posibilidad de
ser elegida.
El tamaño de la muestra en este método de muestreo idealmente debe ser de más de
unos cientos de individuos para que se pueda aplicar de manera apropiada. A veces se
argumenta que este método es teóricamente simple de entender pero difícil de
implementar en la práctica.
El muestreo aleatorio simple es uno de los métodos más básicos y fundamentales de
muestreo probabilístico. En este método, cada elemento de la población tiene la misma
probabilidad de ser seleccionado para formar parte de la muestra. Esto significa que
cada unidad de la población tiene una oportunidad igual de ser elegida, sin importar sus
características o posición en la población.

El proceso para realizar un muestreo aleatorio simple implica los siguientes pasos:

1. Definir la población: Identificar y delimitar claramente la población de interés.

2. Asignar un número a cada unidad de la población: A cada elemento de la
población se le asigna un número único que sirve como identificador.
3. Seleccionar muestras al azar: Utilizando algún método de selección al azar,
como el uso de tablas de números aleatorios o software especializado, se
seleccionan aleatoriamente las muestras de la población, asegurando que cada
elemento tenga la misma probabilidad de ser seleccionado.
4. Recolectar datos: Una vez que se ha seleccionado la muestra, se recopilan los
datos relevantes de cada unidad seleccionada.
El muestreo aleatorio simple es especialmente útil cuando se tiene una población
homogénea y cuando es importante garantizar que cada elemento de la población tenga
la misma oportunidad de ser incluido en la muestra. Sin embargo, puede resultar poco
eficiente en poblaciones grandes o heterogéneas, ya que puede requerir mucho tiempo y
recursos para enumerar y seleccionar aleatoriamente cada elemento.
 VENTAJAS Y DESVENTAJAS DEL MUESTREO ALEATORIO SIMPLE
El muestreo aleatorio simple tiene varias ventajas y desventajas:
Ventajas:
Representatividad: Cada elemento de la población tiene la misma probabilidad de ser
seleccionado, lo que garantiza que la muestra sea representativa de la población en su
conjunto.
Simplicidad: Es fácil de entender y de implementar. No requiere de información
adicional sobre la población más allá de lo necesario para identificar y enumerar sus
elementos.
Ausencia de sesgo: Al no discriminar entre los elementos de la población, no introduce
ningún tipo de sesgo en la selección de la muestra.
Inferencias sencillas: Debido a su diseño simple y al hecho de que cada observación
tiene la misma probabilidad de ser seleccionada, las inferencias estadísticas sobre la
población son relativamente sencillas de realizar.
Desventajas:
Costo y tiempo: En poblaciones grandes, el muestreo aleatorio simple puede ser
costoso y llevar mucho tiempo, ya que se requiere enumerar y seleccionar
aleatoriamente cada elemento de la población.
Ineficiencia en poblaciones heterogéneas: En poblaciones donde los elementos
difieren significativamente en características importantes, el muestreo aleatorio simple
puede no ser la mejor opción, ya que puede resultar en una muestra poco representativa.
Dificultad para poblaciones dispersas: En poblaciones dispersas o difíciles de
alcanzar, puede ser difícil o incluso imposible enumerar y seleccionar aleatoriamente
cada elemento.
No es adecuado para variables raras: Cuando se trata de variables raras en la
población, el muestreo aleatorio simple puede no producir una muestra con suficientes
casos de estas variables para realizar inferencias significativas.

MUESTREO ALEATORIO ESTRATIFICADO

Es un método estadístico que sirve para seleccionar los elementos de una muestra
dividiendo la población en grupos (llamados estratos). Es decir, en un muestreo
estratificado se divide la población en estratos y se selecciona aleatoriamente unos
individuos de cada estrato para formar toda la muestra del estudio

● El muestreo estratificado resulta muy útil utilizarlo cuando la población está formada
por grupos muy homogéneos y muy diferentes entre sí.
● Lógicamente, la suma del tamaño de todos los estratos da como resultado el tamaño
de la población estadística

Muestreo estratificado proporcional

En el muestreo estratificado proporcional, o muestreo con afijación proporcional, el

número de elementos de cada estrato que forman parte de la muestra del estudio es
proporcional al tamaño de cada estrato. De manera que si un estrato es más grande que
otro, en la muestra final habrá más elementos de ese estrato. Por contra, si un estrato es
más pequeño que otro, en la muestra del análisis estadístico habrá menos elementos de
dicho estrato. Este tipo de muestreo estratificado es útil cuando los estratos son de
diferente tamaño y queremos que la muestra incluya más elementos de los estratos más
grandes.
TIPOS DE MUESTREO ALEATORIO ESTRATIFICADO
Muestreo estratificado uniforme
En el muestreo estratificado uniforme, o muestreo por afijación uniforme, el número de
elementos de cada estrato que forma parte de la muestra del estudio es igual.
● Por lo tanto, cada estrato tiene el mismo peso en este tipo de muestreo.
Independientemente de si un estrato tiene más o menos individuos que otro estrato,
todos estarán representados en la muestra por el mismo número de individuos. TIPOS
DE

MUESTREO ALEATORIO ESTRATIFICADO

● Muestreo estratificado óptimo En el muestreo estratificado óptimo, el número de
elementos de cada estrato depende proporcionalmente a la variabilidad de cada estrato.
De modo que los estratos con mayor variabilidad tendrán un tamaño muestral mayor, y
al revés, los estratos con menor variabilidad tendrán un tamaño muestral menor
MUESTREO NO PROBABILÍSTICO
El segundo gran conjunto es el muestreo no probabilístico, donde se seleccionan los
elementos de la muestra de acuerdo a determinados criterios previamente establecidos.
Este tipo de muestreo se utiliza cuando el probabilístico resulta muy costoso, teniendo
presente que no sirve para hacer generalizaciones puesto que no existe certeza de que la
muestra extraída tenga representatividad, puesto que no todos los elementos de la
población tienen la misma probabilidad de ser seleccionados.
MUESTREO POR CUOTAS
El primer tipo de muestreo no probabilísticos es el muestreo por cuotas que presupone
un buen conocimiento de los estratos de la población y se selecciona a los elementos o
individuos más representativos.
El muestreo por cuotas es una muestra sistemática especial que no se selecciona al azar.
En cambio, ciertas cuotas influyen en la selección de los participantes de la muestra.
Estas cuotas reflejan las características sociodemográficas del público objetivo, como,
por ejemplo:

 Distribución regional
 Edad
 Género
 Ocupación

Ejemplo
Seleccionar 50 estudiantes de la carrera de medicina, que ya hayan cursado el cuarto
ciclo de la carrera y que tengan promedio arriba del 75 por ciento. Se eligen a los
primeros 50 que cumplan con estas condiciones. Este tipo de muestreo se utiliza
especialmente en las encuestas de opinión.
MUESTREO INTENCIONAL
Otro muestreo no probabilístico es el muestreo de opinión o intencional en donde
deliberadamente se obtienen muestras de grupos focales.
Con este método las muestras se seleccionan basándose únicamente en el conocimiento
y la credibilidad del investigador. En otras palabras, los investigadores eligen solo
aquellas personas que ellos creen que son los adecuados para participar en un estudio
de investigación, ya sea porque son fáciles de reclutar o porque los consideran buenos
representantes de la población.

Ejemplo
Realizar un sondeo preelectoral en una región en donde anteriormente la tendencia de
voto ha estado orientada a un candidato específico.
MUESTREO CAUSAL
El muestreo casual o accidental es una forma de muestreo no probabilístico que consiste
en tomar una muestra de la población que está disponible y al alcance, en lugar de
determinarla y obtenerla a través de un cálculo más cuidadoso. Este método de
muestreo permite recoger opiniones, sugerencias, críticas y comentarios de forma
fácil y sencilla, aunque sus resultados no son tan sólidos desde el punto de vista
experimental. En el muestreo accidental se toman muestras de personas simplemente
porque son fuentes de datos accesibles para los investigadores. La muestra casual puede
incluir a personas que están en la proximidad del investigador, como el lugar de trabajo,
la escuela o el vecindario, y no se busca que sea una muestra representativa de la
población.

Ejemplo No. 8: Un profesor universitario frecuentemente utilizará a sus estudiantes

para integrar muestras
MUESTREO POR REDES
Este método se asocia comúnmente con técnicas de recolección de datos utilizadas en
estudios sociales, epidemiológicos, y el comportamiento. El muestreo por redes es una
técnica de recolección de datos utilizada principalmente para acceder a poblaciones que
son difíciles de estudiar mediante métodos de muestreo convencionales.
Muestreo de Bola de Nieve
Descripción:
• Principio: Comienza con un pequeño grupo de participantes conocidos como
"semillas". Estos participantes reclutan a futuros participantes de entre sus
conocidos.
• Proceso: Cada nuevo participante reclutado puede reclutar a otros y así
sucesivamente, creando un efecto de bola de nieve.
• Aplicación: Útil para alcanzar poblaciones que son reacias a participar en
investigaciones formales o que son difíciles de localizar.
VENTAJAS:
• Permiten el acceso a grupos de difícil acceso.
• Relativamente económico y rápido.
MUESTREO RESPONDENT-DRIVEN SAMPLING
Similar al muestreo de bola de nieve, pero incorpora un diseño matemático que permite
estimar la variabilidad y la representatividad del muestreo a partir de los patrones de
reclutamiento y las redes personales.
• Proceso: Los participantes reciben un número limitado de vales para reclutar a
otros participantes. Cada participación y reclutamiento se registra para ajustar
las estimaciones finales.
• Aplicación: Usado en epidemiología y estudios sociales para alcanzar
poblaciones ocultas o marginales.
Ventajas:
• Permite estimaciones ajustadas que consideran las redes de los individuos.
• Reduce los sesgos asociados con el muestreo de bola de nieve puro.
Desventajas:
• Más complejo y requiere un diseño y análisis estadístico avanzado.
• La dependencia de las semillas puede afectar la estructura del muestreo.
MUESTREO POR CUMULOS EN REDES
El muestreo por cúmulos en redes es una técnica utilizada en investigación científica
para seleccionar muestras de una población que está organizada en grupos o cúmulos
interconectados dentro de una red.
Identificación de la Red y los Cúmulos: Lo primero es identificar la red social o
estructura de cúmulos que se va a estudiar. Esto puede ser una red social física (como
una comunidad local) o una red virtual (como una red en línea).
División en Cúmulos: La red se divide en cúmulos o grupos de individuos que están
interconectados de alguna manera. Estos cúmulos pueden ser comunidades geográficas,
grupos de amigos.
- Selección de Cúmulos: En lugar de seleccionar individuos al azar, se eligen al
azar ciertos cúmulos de la red para formar parte de la muestra. La cantidad de
cúmulos seleccionados y su tamaño dependen del diseño del estudio y de la
estructura de la red.
- Estudio de los Cúmulos Seleccionados: Esto puede implicar encuestas,
entrevistas, observaciones u otras formas de recopilación de datos, según el
objetivo de la investigación.
CONSIDERACIONES AL USAR MUESTREO EN REDES
Sesgo: A pesar de sus ventajas, el muestreo en redes puede introducir sesgos,
especialmente si las redes de los individuos no son representativas de la población
general.
• Diseño y Análisis: Requiere un diseño cuidadoso y, a menudo, métodos de
análisis más complejos para ajustar por las probabilidades de inclusión y las
interdependencias dentro de los datos.
• Confidencialidad: Es crucial mantener altos estándares éticos, particularmente
la confidencialidad de los participantes, dado que la recolección de datos puede
revelar información sensible sobre las redes sociales y personales.
CALCULO DEL TAMAÑO DE LA MUESTRA
Para calcular el tamaño de una muestra hay que tomar en cuenta tres factores:
• El porcentaje de error El porcentaje de confianza con el cual se quiere
generalizar los datos desde la muestra hacia la población total.
 • Precisión de la estimación. Margen de error que se pretende aceptar al
momento de hacer la generalización.
• El nivel de variabilidad. Grado de variabilidad que se calcula para comprobar
la hipótesis. Mientras más grande mayor será el tamaño de la muestra.
NIVEL DE CONFIANZA
La confianza o el porcentaje de confianza. Es el porcentaje de seguridad que existe para
generalizar los resultados obtenidos. A mayor nivel de confianza más grande debe ser el
tamaño. Entonces, se busca un porcentaje de confianza menor. Comúnmente en las
investigaciones sociales se busca un 95%. Los valores Z se obtienen mediante el uso de
tablas.

EL GRADO DE ERROR
El porcentaje de error. Está relacionado con el nivel de precisión, es la desviación de la
muestra seleccionada de las verdaderas características, rasgos, comportamientos.
Comúnmente se aceptan el 5% de error

NIVEL DE VARIABILIDAD
La variabilidad. La variabilidad de la característica a estudiar también se involucra, pues
se requiere un tamaño de muestra mayor para indicadores cuyos valores presentan
mayor dispersión. Cuando no se conoce hay que estimarlo mediante una investigación
preliminar.
TAMAÑO DE LA MUESTRA
• Tamaño de muestra para una estimación por intervalo de la media poblacional
para poblaciones finitas.

Supongamos que queremos determinar la proporción de personas que prefieren cierto

producto en una ciudad de 20,000 habitantes, con un 95% de nivel de confianza y un
margen de error del 5%. Suponiendo que no tenemos una estimación previa de la
proporción (usamos 𝑝=0.5p=0.5 para maximizar el tamaño de la muestra):
TAMAÑO DE LA MUESTRA

para variables cualitativas

para variables cualitativas

• Tamaño de muestra para poblaciones infinitas

• Donde: n Es el tamaño de la muestra;
• Z Es el nivel de confianza;
• p Es la variabilidad positiva;
• q Es la variabilidad negativa;
• E Es la precisión o error.
• σ Es la desviación estándar.
Bibliografía
https://www.cimec.es/muestreo-probabilistico-y-no-probabilistico/

https://www.cimec.es/muestreo-probabilistico-y-no-probabilistico/

http://home.ubalt.edu/ntsbarsh/Business-stat/opre/SpanishP.htm

https://edu.gcfglobal.org/es/estadistica-basica/tipos-de-muestreo/1/