AÑO DEL BUEN SERVICIO AL CIUDADANO”

20-2-2018

FACULTAD DE INGENIERIA CIVIL

INTEGRANTES : ALVARES ROJAS, Ledina

CORONEL DAVILA, Marlitt

DELGADO SANTACRUZ, Yaqueline

LOPEZ HERRERA MARLENY

MIRES VARGAS, Jhon Pool

CURSO : Estadistica para la ingenieria civil

TEMA : Muestreo

DOCENTE : VILLALOBOS VILLEGAS, Paco

CICLO : II

NUEVA CAJAMARCA – RIOJA – SAN MARTÍN

2018
Contenido

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

DISEÑO DE LA MUESTRA: ________________________________________________ 6

1. DETERMINACIÓN DE LAS UNIDADES DE MUESTREO _______________________ 6
2. MÉTODOS DE LA SELECCIÓN DE MUESTRA ________________________________ 7
3. ESTIMACIÓN DE LAS CARACTERÍSTICAS DE LA POBLACIÓN MEDIANTE LA
MUESTRA ______________________________________________________________________ 7
3.1. No todas las muestras nos conducen al mismo estimativo del valor de la
población ____________________________________________________________________ 7
3.2. Sin embargo, la mayoría de los estimativos tienden a agruparse alrededor
de la verdadera proporción de la población. ___________________________________ 7

¿POR QUÉ FUNCIONA EL MUESTREO? ___________________________________ 8

EL TAMAÑO DE LA MUESTRA ____________________________________________ 9
CLASIFICACIÓN DE LAS TÉCNICAS DE MUESTREO _______________________ 11
1. MUESTREO NO PROBABILÍSTICO _________________________________________ 11
1.1. TÉCNICAS DE MUESTREO NO PROBABILÍSTICO ______________________ 11
1.1.1. Muestreo por conveniencia _______________________________________ 11
1.1.2. Muestreo por juicio _______________________________________________ 12
1.1.3. Muestreo por cuotas _____________________________________________ 13
1.1.4. Muestreo de bola de nieve ________________________________________ 14
2. MUESTREO PROBABILISTICO O ALEATORIO ______________________________ 15
2.1. TECNICAS DE MUESTREO PROBABILISTICO __________________________ 16
2.1.1. Muestreo aleatorio simple ________________________________________ 16
2.1.2. Muestreo sistemático _____________________________________________ 17
2.1.3. Muestreo por conglomerados _____________________________________ 19
2.1.4. Muestreo estratificado ____________________________________________ 19

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

“Sin duda, el muestreo es el procedimiento estadístico que vemos con mayor

suspicacia, ya que no siempre es fácil entender cómo se puede proyectar a toda
una población la información recopilada en un grupo más o menos reducido de
ella.

Cuando no se está familiarizado con el muestreo existe la creencia de que es

mejor entrevistar a toda la población —o a la mayor parte— que se desea
estudiar, a pesar de los altos costos que ello implica. Pero esto no es por
necesidad cierto, ya que la razón de ser de un buen muestreo es la reducción
del tiempo y el dinero que se emplean, al tiempo que se busca información de la
mayor calidad. Pensemos en que es casi imposible aplicar entrevistas a una
población entera. Por lo tanto, el muestreo será la mejor opción

El muestreo es la parte de la estadística que se ocupa de la selección y acopio

de elementos representativos de cierta población a fin de obtener inferencia.” 1

“El muestreo es uno de los componentes del diseño de una investigación”2

(BENASSINI, 2009)

El muestreo es por lo tanto una herramienta de la investigación científica, cuya

función básica es determinar que parte de una población debe examinarse, con
la finalidad de hacer inferencias sobre dicha población.

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.

🐼🐼🐼🐼

🐼🐼🐼🐼🐼
🐼🐼🐼🐼🐼

🐼🐼🐼

Ilustración 1 Ejemplo de población

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

Los errores más comunes que se pueden cometer son:

1. Hacer conclusiones muy generales a partir de la observación

de sólo una parte de la Población, se denomina error de
muestreo.
2. Hacer conclusiones hacia una Población mucho más grandes
de la que originalmente se tomó la muestra. Error de Inferencia.

🐼🐼🐼

🐼
🐼🐼

Ilustración 2: Ejemplo de muestra extraído de la

población

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. VARIABLES QUE SE ESTUDIAN.

Las variables o atributos por estudiar pueden ser de dos tipos:

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.

Las variables deben relacionarse con la muestra sin

dificultad.

DISEÑO DE LA MUESTRA:

Los problemas básicos del diseño de la muestra son:

1. DETERMINACIÓN DE LAS UNIDADES DE MUESTREO

Si se desea saber, por ejemplo, qué porcentaje de las tiendas de

comestibles de la ciudad de Caracas venden cierta marca de refresco de
 cola, la unidad de muestreo será la tienda misma. Si existe una lista de
tiendas, se puede hacer un muestreo directo; si no, las unidades muestrales
se tomarán en forma aleatoria.

2. MÉTODOS DE LA SELECCIÓN DE MUESTRA

En el proceso de diseño existen dos métodos básicos de selección de
muestra: el probabilístico y el no probabilístico. Ambos presentan ventajas
y desventajas que serán comentadas más adelante. Pero es prudente
comentar ahora, que el muestreo probabilístico tiene mayor nivel de
exactitud, aunque es más caro. Con el muestreo no probabilístico sucede
lo contrario.

3. ESTIMACIÓN DE LAS CARACTERÍSTICAS DE LA POBLACIÓN

MEDIANTE LA MUESTRA

La finalidad de una muestra es extrapolar la información obtenida y

proyectar los hallazgos sobre una población total definida. Para hacer un
buen estimativo de la población es necesario que la muestra sea en verdad
representativa. Aquí es necesario tomar en cuenta lo siguiente:

3.1. No todas las muestras nos conducen al mismo estimativo del

valor de la población

3.2. Sin embargo, la mayoría de los estimativos tienden a

agruparse alrededor de la verdadera proporción de la
población.
¿POR QUÉ FUNCIONA EL MUESTREO?

El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso,

que llamamos generalización. Es decir, para conocer un universo lo que
hacemos es extraer una muestra de este, medir un dato u opinión y proyectar en
el universo el resultado observado en la muestra. Esta proyección o
extrapolación recibe el nombre de generalización de resultados.
La generalización de resultados añade cierto error al mismo. Imagina que
tomamos una muestra al azar de 1.000 personas de Perú y les preguntamos si
fuman. Obtengo que el 25% de la muestra fuma. La simple lógica nos dice que
si de 1.000 peruanos elegidos al azar el 25% fuma, este dato debería ser
indicativo de lo que obtendríamos si preguntásemos a los “31 millones 826 mil
peruanos”4 . Ahora bien, el azar podría haber hecho que haya escogido para mi
muestra más fumadores de lo que correspondería a la proporción exacta que
hay en el universo o, por el contrario, que en mi muestra los fumadores estén
algo infra-representados. El azar podría hacer que el porcentaje de fumadores
en la población fuese algo diferente del 25% que hemos observado en la muestra
(tal vez un 25,2%, por ejemplo). Por lo tanto, la generalización de resultados de
un muestra a un universo conlleva aceptar que cometemos cierto error, tal y
como ilustra el siguiente esquema.

Ilustración 4: Ejemplo de poblacion y muestra con

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.

Pero el tamaño de la muestra tiene una propiedad fundamental que explica

porqué el muestreo se usa tanto en tantos ámbitos del conocimiento. Esta
propiedad podría resumirse como sigue: a medida que estudio universos
mayores, el tamaño de muestra que necesito cada vez representa un porcentaje
menor de dicho universo.

Supongamos que queremos hacer una encuesta para saber un porcentaje

(podría ser el de gente que fuma) con un nivel de error determinado, por ejemplo,
un margen de error del 5% y una confianza del 95%. Si el universo a estudiar
fuese de tan sólo 100 personas, mi muestra tendría que ser de 79,5 individuos
(es decir, 79,5% del universo, lo que representa un parte muy importante del total
del universo). Si el universo fuese de 1.000 personas, mi muestra debería ser
de 277,7 personas (27,7% del universo). Y si mi universo fuese de 100.000
personas, la muestra necesaria sería de 382,7 personas (3,83% del 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)

El muestreo no probabilístico no se basa en el azar, sino en el juicio

personal del investigador para seleccionar a los elementos de la muestra.
El investigador puede decidir de manera arbitraria o consciente qué
elementos incluirá en la muestra. Las muestras no probabilísticas pueden
dar buenas estimaciones de las características de la población; sin
embargo, no permiten evaluar objetivamente la precisión de los resultados
de la muestra. Como no hay forma de determinar la probabilidad de que
cualquier elemento particular quede seleccionado para incluirse en la
muestra, no es posible hacer una extrapolación estadística de las
estimaciones obtenidas a la población.

1.1. TÉCNICAS DE MUESTREO NO PROBABILÍSTICO

1.1.1. Muestreo por conveniencia

El muestreo por conveniencia busca obtener una muestra de
elementos convenientes. La selección de las unidades de
muestreo se deja principalmente al entrevistador. Muchas
veces los encuestados son seleccionados porque se
encuentran en el lugar y momento adecuados. Los ejemplos de
muestreo por conveniencia incluyen:
A. Uso de estudiantes, grupos de la iglesia y miembros de
organizaciones sociales.
B. Entrevistas en centros comerciales sin calificar a los
encuestados.
C. Uso de listas de cuentas de crédito de las tiendas
departamentales.
D. Cuestionarios desprendibles incluidos en revistas.
E. Entrevistas con “gente en la calle”.
 De todas las técnicas de muestreo, la más económica y la que
menos tiempo consume es la del muestreo por conveniencia.
Las unidades de muestreo son accesibles, sencillas de medir y
cooperativas. A pesar de sus ventajas, esta forma de muestreo
tiene serias limitaciones, una de las cuales es la presencia de
muchas fuentes potenciales de sesgo de selección, como la
autoselección del encuestado. Las muestras por conveniencia
no son representativas de ninguna población definible, por lo
que a nivel teórico no tiene sentido generalizar a cualquier
población, a partir de una muestra por conveniencia. Estas
muestras tampoco son adecuadas para proyectos de
investigación de mercados que impliquen inferencias sobre la
población. Las muestras por conveniencia no se recomiendan
para la investigación descriptiva o causal, aunque pueden
usarse en la investigación exploratoria para generar ideas,
información o hipótesis. Las muestras por conveniencia son
útiles en las sesiones de grupo, pruebas piloto de cuestionarios
o estudios piloto. Pero incluso en esos casos, hay que tener
cautela al interpretar los resultados. Con todo, esta técnica se
utiliza en ocasiones incluso en encuestas grandes.

1.1.2. Muestreo por juicio

El muestreo por juicio es una forma de muestreo por
conveniencia, en el cual los elementos de la población se
seleccionan con base en el juicio del investigador. El
investigador utiliza su juicio o experiencia para elegir a los
 elementos que se incluirán en la muestra, porque considera
que son representativos de la población de interés, o que de
alguna otra manera son adecuados. Entre ejemplos comunes
del muestreo por juicio se encuentran:
A. Mercados de prueba seleccionados para determinar el
potencial de un nuevo producto.
B. Ingenieros de compras elegidos en una investigación de
mercados industriales, porque se les considera
representativos de la compañía.
C. Indicadores de distritos electorales seleccionados en la
investigación de la conducta de emitir sufragios.
D. Testigos expertos usados en los tribunales.
E. Tiendas departamentales elegidas para probar un nuevo
sistema de exhibición de mercancía.

1.1.3. Muestreo por cuotas (chata)

El muestreo por cuotas puede considerarse como un muestreo
por juicio restringido de dos etapas.
La primera etapa consiste en desarrollar categorías de control,
o cuotas, de los elementos de la población.
Para desarrollar estas cuotas, el investigador lista las
características de control relevantes y determina su distribución
en la población meta. Las características de control relevantes
(que pueden incluir sexo, edad y, en algunos casos, raza) se
identifican con base en el juicio. A menudo las cuotas se
 asignan de forma que la proporción de los elementos de la
muestra que poseen las características de control sea igual a
la proporción de los elementos de la población con dichas
características. En otras palabras, las cuotas aseguran que la
composición de la muestra es igual a la composición de la
población con respecto a las características de interés. En la
segunda etapa, se seleccionan los elementos de la muestra
con base en la conveniencia o el juicio. Una vez que se han
asignado las cuotas, hay una libertad considerable para
seleccionar los elementos que se incluirán en la muestra. El
único requisito es que los elementos elegidos cumplan con las
características de control.

1.1.4. Muestreo de bola de nieve

En el muestreo de bola de nieve se selecciona un grupo inicial
de encuestados, por lo general al azar, a quienes después de
entrevistar se les solicita que identifiquen a otras personas que
pertenezcan a la población meta de interés. Los encuestados
subsecuentes se seleccionan con base en las referencias.
Este proceso puede realizarse en olas para obtener referencias
de las referencias, lo cual origina un efecto de bola de nieve.
Aunque se emplea el muestreo probabilístico para elegir a los
primeros encuestados, la muestra final es no probabilística. Las
referencias tendrán características demográficas y
psicográficas más similares a las personas que las refieren de
lo que ocurriría al azar.
 Uno de los objetivos principales del muestreo de bola de nieve
consiste en estimar las características que son raras en la
población. Los ejemplos incluyen a usuarios de servicios
gubernamentales o sociales específicos, como los vales de
comida, cuyos nombres no deben revelarse; grupos especiales
del censo, como hombres viudos menores de 35 años de edad;
y miembros de una población minoritaria dispersa. El muestreo
de bola de nieve se emplea en la investigación industrial de
comprador-vendedor, para identificar parejas de compradores-
vendedores. La mayor ventaja del muestreo de bola de nieve
es que incrementa en forma considerable la probabilidad de
localizar las características deseadas en la población. También
produce relativamente poca varianza del muestreo y costos
bajos.

2. MUESTREO PROBABILISTICO O ALEATORIO

El resultado de un experimento estadístico se puede registrar como un
valor numérico o como una representación descriptiva. Cuando se lanza
un par de dados y lo que nos interesa es el resultado total, registramos un
valor numérico. Sin embargo, si a los estudiantes de cierta escuela se les
hacen pruebas de sangre para averiguar cuál es su tipo, podría ser más
útil una representación descriptiva. La sangre de una persona se puede
clasificar carde 8 maneras.
En el muestreo probabilístico las unidades del muestreo se seleccionan al
azar. Es posible especificar de antemano cada muestra potencial de un
determinado tamaño que puede extraerse de la población, así como la
probabilidad de seleccionar cada muestra. No es necesario que cada
muestra potencial tenga la misma probabilidad de quedar seleccionada;
aunque es posible especificar la probabilidad de seleccionar cualquier
muestra particular de un tamaño dado. Esto requiere no sólo una
definición precisa de la población meta, sino también una especificación
general del marco de muestreo. Como los elementos del muestreo se
seleccionan al azar, es posible determinar la precisión de las estimaciones
de las características de interés de la muestra. Pueden calcularse los
intervalos de confianza, los cuales contienen el verdadero valor de la
población con un nivel dado de certeza. Esto permite al investigador hacer
inferencias o extrapolaciones acerca de la población meta de donde se
extrajo la muestra.

2.1. TECNICAS DE MUESTREO PROBABILISTICO (marleny)

2.1.1. Muestreo aleatorio simple

Una muestra aleatoria simple se elige de tal manera que cada
muestra posible del mismo tamaño tiene igual probabilidad de
ser seleccionada de la población. Para hacer un muestreo
aleatorio simple podemos recurrir a dos métodos:

A. Selección de una lista de todas las muestras posibles.

B. Se conoce el tamaño de la población, se numeran las
unidades de muestreo (Supongamos del 1 al 20) y se
colocan en papelitos separados.
C. Se colocan en un recipiente honesto.
D. Se extraen tantos papelitos como lo necesite el tamaño
de la muestra.

Supongamos que en tu país existen 20 empresas productoras

de juguetes que serían la población total a estudiar. Si
deseamos hacer un estudio entre ocho de esas 20 compañías,
 anotamos el nombre de cada empresa en cada uno de los
papeles, los mezclamos y tan sólo seleccionamos ocho.

EJEMPLO

Muestreo aleatorio simple

Se quiere estudiar la preferencia de un nuevo partido político en una población,
sobre la cual no se ha hecho ningún estudio anterior; se acepta un margen de
error máximo de 2%. Determine el tamaño de la muestra con un nivel de
confianza del 90%.
𝑍2 × 𝑃 × 𝑄
𝑛=
𝐸2

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.

2.1.2. Muestreo sistemático

Se obtiene una muestra sistemática cuando los elementos son

seleccionados de una manera ordenada. La forma de la
 selección depende del número de elementos incluidos en la
población y del tamaño de la muestra.

Puede ilustrarse mejor mediante un ejemplo: supón que para

llevar a cabo el estudio de los pastelillos empacados, también
se debe entrevistar a los vendedores de establecimientos o
tiendas de barrio. De esta manera, de una lista de 100 locales,
se desea seleccionar una muestra probabilística de 20 tiendas.
La forma de hacerlo sería ésta:

A. Se extrae un número al azar entre 1 y 5. Supón que el

número es 2.
B. Se incluyen en la muestra de establecimientos los
numerados con el 2, 7, 12, 17, 22… 97.

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)

Se seleccionan al azar grupos de observaciones, en lugar de

elementos.

A. El grupo 1, por ejemplo, puede estar formado por las

manzanas 1, 2, 3 y 4. El grupo 2 por las manzanas 5, 6,
7 y 8, y así en lo sucesivo. Se eligen al azar dos de esos
cuatro grupos y se enumeran sus componentes o casas
dentro de las manzanas. Es una muestra probabilística
porque cada elemento tiene una probabilidad conocida
de ser seleccionado (1/2). Sin embargo, toda
combinación posible de componentes de la población no
tiene la misma oportunidad de ser seleccionada.

B. Se definen los componentes seleccionados.

2.1.4. Muestreo estratificado

Es muy parecido al anterior, sólo que introduce ciertos grupos

o estratos que reúnen características homogéneas para
investigar una situación en cada uno de ellos: niveles
socioeconómicos, zonas del país, género, grupos de edad y
otros.

Para determinar el tamaño de la muestra en cada estrato, sobre

todo si la estratificación es por niveles de ingreso y por
regiones, se pueden utilizar dos métodos.

2.1.4.1. Cálculo proporcional al tamaño del estrato

En este caso existe una relación proporcional entre el

tamaño del estrato y el número de elementos que
aportan a la muestra. Cuanto mayor sea el estrato,
mayor será el tamaño de la muestra seleccionada.
2.1.4.2. Cálculo no proporcional al tamaño del estrato

Este tipo de cálculo se utiliza para no tener muestras

demasiado grandes en los estratos de mayor tamaño y
muestras muy pequeñas que no permitan un análisis
mayor en los estratos de menor tamaño. Muchas veces,
los productos a investigar tienen su mayor demanda en
los estratos más pequeños.
Bibliografía

BENASSINI, M. (2009). Introduccion a la investigacion de mercados : Enfoque para america

latina (segunda edicion). PEARSON EDUCACIÓN, México: Cámara Nacional de la
Industria Editorial Mexicana. Reg. Núm. 1031.

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

Malhotra, N. k. (2008). Investigacion de Mercados (quinta edicion ). PEARSON EDUCACIÓN,

Mexico: Cámara Nacional de la Industria Editorial Mexicana. Reg. Núm. 1031.

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

Ronald E. Walpole , Raymond H. Myers. (2012). Probabilidad y estadística para ingenieria y

ciencias ( novena edicion ). PEARSON EDUCACIÓN, México: Cámara Nacional de la
Industria Editorial Mexicana. Reg. núm. 1031.