Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
20-2-2018
TEMA : Muestreo
CICLO : II
INTRODUCCION _______________________________________________ 2
MUESTREO ___________________________________________________ 3
CONCEPTOS BASICOS: __________________________________________________ 4
1. POBLACION: ______________________________________________________________ 4
2. MUESTRA: _________________________________________________________________ 4
3. VARIABLES QUE SE ESTUDIAN. ____________________________________________ 6
3.1. CUALITATIVAS: _______________________________________________________ 6
3.2. CUANTITATIVAS: ______________________________________________________ 6
Bibliografía __________________________________________________ 22
INTRODUCCION
Se denomina muestreo al proceso por el que generamos las muestras. Una
muestra es una parte (un subconjunto) de la población, y se desea que la
muestra sea lo más representativa posible de la población de la que procede.
Sin embargo, por muy cuidadosa que sea la selección de la muestra difícilmente
será una representación exacta de la población. Esto significa que su tendencia
central, variabilidad, etc., aproximarán las de la población, pero habrá cierta
diferencia, que interesa sea lo menor posible. Un concepto clave de muestreo es
el de representatividad: Los procedimientos de muestreo tienen por objeto
generar muestras lo más representativas posible de las poblaciones dados los
objetivos de la investigación y las circunstancias que afectan al muestreo.
Desde un punto de vista aplicado, se denomina muestreo el proceso de selección
de la muestra o muestras a utilizar para la investigación. Esto supone generar
una o pocas muestras. Actualmente es de interés la selección de muestras para
la simulación informática de los procesos de muestreo, particularmente para la
obtención de distribuciones muestrales. En estos casos el número de muestras
generadas puede ser muy grande (10.000, 80.000, o más) y el procedimiento de
muestreo se realiza informáticamente y con procedimientos específicos.
Desde un punto de vista teórico, el concepto de muestreo es fundamental para
la Inferencia Estadística. El hecho de que las muestras no sean exactamente
representativas de las poblaciones significa que las inferencias presentan cierto
margen de incertidumbre. Para cuantificarlo y definir técnicas inferenciales es
necesario conocer cómo se comportan los estadísticos obtenidos en las
muestras, esto es, cómo son las distribuciones muestrales de los estadísticos
habitualmente utilizados para la inferencia.
Las muestras singulares generadas para investigación con sujetos suelen
utilizarse para obtener algunos estadísticos (Media, proporción, cuasivarianza,
etc.) con los que se realiza el proceso de inferencia. En cambio, las muestras
simuladas por ordenador suelen ser utilizadas para obtener distribuciones
muestrales y realizar inferencia. Esto es de interés cuando se dan circunstancias
especiales que no aconsejan utilizar los procedimientos habituales. Las
distribuciones muestrales son las distribuciones de estadísticos de muestras que
pertenecen a la misma población. Por ejemplo, la distribución muestral de la
Media es la distribución de las Medias de muestras de un mismo tamaño
extraídas de la misma población.
MUESTREO
1
BENASSINI, M. (2009). Introduccion a la investigacion de mercados : Enfoque para america
latina (segunda edicion). – capitulo 8: Muestreo pag. 177.
2
BENASSINI, M. (2009). Introducción a la investigación de mercados : Enfoque para américa
latina (segunda edición). – capitulo 11 : Muestreo : Diseño y procedimientos pag. 332
CONCEPTOS BASICOS:
1. POBLACION:
La población (o universo) que se pretende estudiar debe definirse en
forma rigurosa, ya que de la manera en que se haga tal definición
dependerá la calidad de la muestra seleccionada y el éxito de los
resultados.
🐼🐼🐼🐼
🐼🐼🐼🐼🐼
🐼🐼🐼🐼🐼
🐼🐼🐼
2. MUESTRA:
La muestra debe lograr una representación adecuada de la población, en
la que se reproduzca de la mejor manera los rasgos esenciales de dicha
población que son importantes para la investigación. Para que una
muestra sea representativa, y por lo tanto útil, debe de reflejar las
similitudes y diferencias encontradas en la población, es decir ejemplificar
las características de ésta.
q
«La muestra, junto con la estadística inferencial, nos permite obtener
conclusiones acerca de la población, ya que la estadística inferencial
utiliza ampliamente los elementos de probabilidad. (Ronald E. Walpole ,
Raymond H. Myers, 2012)» 3
🐼🐼🐼
🐼
🐼🐼
3
(Ronald E. Walpole , Raymond H. Myers, 2012) , Capítulo 1 Introducción a la estadística y al
análisis de datos , pag. 6
Ilustración 3: Relación básica entre la probabilidad y la estadística inferencial.
3.1. CUALITATIVAS:
No se pueden medir en forma numérica, como el género, la
nacionalidad o el color de la piel.
3.2. CUANTITATIVAS:
Tienen un valor numérico, como la edad, el monto de la
colegiatura o los ingresos anuales de los padres.
DISEÑO DE LA MUESTRA:
4
CPI – Población total Perú – 2017
Afortunadamente, el error que se comete al generalizar resultados puede
acotarse gracias a la estadística. Para ello usamos dos parámetros: el margen
de error, que es la máxima diferencia que esperamos que haya entre el dato
observado en la muestra y el dato real en el universo, y el nivel de confianza,
que es el nivel de certeza que tengo de que realmente el dato real esté dentro
del margen de error.
EL TAMAÑO DE LA MUESTRA
¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende
del tamaño del universo y del nivel de error que esté dispuesto a aceptar, tal y
como explicábamos en su día en este post. Cuanta más precisión exija, mayor
muestra necesito. Si quiero tener una certeza absoluta en mi resultado, hasta el
último decimal, mi muestra tendrá que ser tan grande como mi universo.
Por lo tanto, a medida que trabajo con universos más grandes, la muestra que
necesito debe ir creciendo, pero de forma no proporcional, tiende a estancarse y
cada vez representa un porcentaje más pequeño del universo. De hecho, a partir
de cierto tamaño de universo (en torno a 100.000 individuos), el tamaño de la
muestra ya no necesita crecer más. La siguiente tabla nos muestra algunos
ejemplos:
Tamaño de muestra necesaria para tener un error del 5% con un nivel de
confianza del 95%
Universo Muestra %
necesaria
10 10 100%
100 80 80%
1.000 278 27,8%
10.000 370 3,7%
100.000 383 0,38%
1.000.000 384 0,038%
10.000.000 385 0,004%
100.000.000 385 0,0004%
Los datos anteriores nos dicen que por grande que sea el universo, con 385
personas puedo estudiar cualquier dato con el mismo nivel de error (margen de
5%, confianza de 95%). Por esta razón el muestreo es tan poderoso: nos permite
hacer afirmaciones altamente precisas de una gran cantidad de individuos a
través de un parte muy pequeño de los mismo.
CLASIFICACIÓN DE LAS TÉCNICAS DE MUESTREO
1. MUESTREO NO PROBABILÍSTICO(yaqui)
EJEMPLO
Datos:
𝑷 = 0.5
𝑸 = 1 − 𝑃 = 0.5
𝑬 = 2% = 0.02
𝟏−∝= 1 − 0.90 = 0.1
𝒁𝟏−∝ = 0.95
𝟐
𝒁 = 1.645
Reemplazamos en la fórmula:
𝑍2 × 𝑃 × 𝑄
𝑛=
𝐸2
1.6452 × 0.5 × 0.5
𝑛= = 1691.27 = 1692
0.022
Por lo tanto; la muestra para realizar este estudio con un margen de
error del 2% y un nivel de confianza del 90%debe ser de 1692 personas.
EJEMPLO
De un listado de 2000 personas se desea obtener una muestra de 20 personas.
𝑁
𝐾=
𝑛
Dónde:
K= Intervalo
N=Tamaño poblacional
N=Tamaño muestral
2000
𝐾= = 100
20
𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑑𝑎 = 1
1 + 100 = 101,101 + 100 = 201,201 + 100 = 301, … … …
Entonces la lista será:
1,101,201,301,401,501,601,701,801,901,1001,1102,1201,1301,1401,1501,1601
=⌊ ⌋
, 1701,1801,1901
2.1.3. Muestreo por conglomerados (ledina)
CPI. (agosto de 2017). CPI : Compañia peruana de estudios de mercados y opinion publica.
Obtenido de
http://cpi.pe/images/upload/paginaweb/archivo/26/mr_poblacion_peru_2017.pdf
Ochoa, C. (19 de Febrero de 2015). Netquest. Obtenido de El muestreo: qué es y por qué
funciona: https://www.netquest.com/blog/es/blog/es/muestreo-que-es-porque-
funciona