Professional Documents
Culture Documents
TEMA:
ASIGNATURA:
DOCENTE:
ALUMNAS:
CICLO:
CAJAMARCA - PERÚ
DEDICATORIA
En primer lugar agradecemos a Dios por darnos la vida y la salud día a día, y nos
permite salir adelante a pesar de las diferentes dificultades que se nos presentan
diariamente, también agradecemos a nuestros familiares por el apoyo que nos brindan y
por confiar en nosotros, y a nuestra docente (nombre del profesor) por el apoyo que nos
viene brindando día a día en las aulas de la Universidad Nacional de Cajamarca, para
poder ser profesionales con éxito.
INDICE
INTRODUCCION………………………………………………………………………………….………5
MARCO TEORICO………………………………………………………….……………………………………………6
1. ¿Qué es el muestreo?......................................................................................6
2. Técnicas de muestreo estadístico…………………………………………..…………………….7
3. ¿Por qué funciona el muestreo?......................................................................8
4. Ventajas e inconvenientes del muestreo…………………………………………………….11
5. Tipos de muestreo………………………………………………………………………………………12
5.1 Muestreo sistemático…………………………………………………………………………..12
5.2 Muestreo estratificado………………………………………………………………………….13
5.3 Muestreo por etapas múltiples……………………………………………………………..14
5.4 Muestreo por conglomerados……………………………………………………………….14
5.5 Muestreo no probabilístico……………………………………….………………………….16
5.6 Muestreo por cuotas………………………………………………………………………….…16
5.7 Muestreo de bola de nieve……………………………………………………………………16
5.8 Muestreo subjetivo por decisión razonada……………………………………………16
6. ¿Qué es un intervalo de confianza?..........................................................17
7. ¿Qué es una prueba de hipótesis?.............................................................19
8. Conclusiones…………………………………………………………………………………………..22
9. Referencias……………………………………………………………………………………………..23
INTRODUCCIÓN
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. 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 averiguación y las circunstancias que afectan al muestreo.
MARCO TEORICO
1. ¿Qué es el muestreo?
El muestreo es el proceso de seleccionar un conjunto de individuos de una población
con el fin de estudiarlos y poder caracterizar el total de la población.
Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean
extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez obtener
resultados parecidos a los que se alcanzarían si se realizase un estudio de toda la
población. En las investigaciones llevadas por empresarios y de la medicina se usa
muestreo extensivamente en recoger información sobre poblaciones.
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio
adecuado (que consienta no solo hacer estimaciones de la población sino estimar
también los márgenes de error correspondientes a dichas estimaciones), debe cumplir
ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea
una muestra representativa, pero sí podemos actuar de manera que esta condición se
alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la
población, se puede extraer dos o más muestras de la misma población. Al conjunto de
muestras que se pueden obtener de la población se denomina espacio muestral. La
variable que asocia a cada muestra su probabilidad de extracción, sigue la
llamada distribución muestral.
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 por qué 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.
Este fenómeno lo explican de forma muy didáctica en Gaussianos.com, un interesante
blog dedicado a las matemáticas. 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%
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
pequeña de los mismos.
Ventajas:
Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y
dinero).
La manipulación de datos es mucho más simple. Si con una muestra de 1.000
personas tengo suficiente, ¿para qué quiero analizar un fichero de millones de
registros?
Inconvenientes:
Introducimos error (controlado) en el resultado, debido a la propia naturaleza del
muestreo y a la necesidad de generalizar resultados.
Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra.
Por ejemplo, si la forma en que selecciono individuos para la muestra no es
aleatoria, mis resultados pueden verse seriamente afectados.
Pero una cosa es la teoría y otra la práctica. Sólo en entornos muy controlados es
posible hacer muestras aleatorias. Por otra parte, cuando tenemos universos
compuestos por grupos homogéneos (entre sí) de personas, podemos aprovechar esta
agrupación para mejorar la calidad de mi muestra (o reducir el tamaño de la misma).
5. Tipos de muestreo
Sin reposición de los elementos: Cada elemento extraído se descarta para la
sucesiva extracción. Por ejemplo, si se extrae una muestra de una "población"
de bombillas para evaluar la vida media de las bombillas que la integran, no
será posible medir más que una vez la bombilla seleccionada.
Con reposición de los elementos: Las observaciones se realizan con remplazo
de los individuos, de forma que la población es idéntica en todas las
extracciones. En poblaciones muy grandes, la probabilidad de repetir una
extracción es tan pequeña que el muestreo puede considerarse con reposición
aunque, realmente, no lo sea.
Con reposición múltiple: En poblaciones muy grandes, la probabilidad de
repetir una extracción es tan pequeña que el muestreo puede considerarse con
reposición.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy útil
la extracción de números aleatorios mediante ordenadores, calculadoras o
tablas construidas al efecto.
K= N/n
Según la cantidad de elementos de la muestra que se han de elegir de cada uno de los
estratos, existen dos técnicas de muestreo estratificado:
Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar por
separado las opiniones de hombres y mujeres pues se estima que, dentro de cada uno
de estos grupos, puede haber cierta homogeneidad. En la asignación proporcional, si la
población está compuesta de un 55% de mujeres y un 45 % de hombres, se tomaría
una muestra que contenga también esos mismos porcentajes de hombres y mujeres.
En la asignación óptima, si todos los hombres piensan igual, pero las mujeres son
impredecibles, se tomaría una muestra con más del 55% de mujeres.
Para una descripción general del muestreo estratificado y los métodos de inferencia
asociados con este procedimiento, suponemos que la población está dividida
en h subpoblaciones o estratos de tamaños conocidos N1, N2,..., Nh tal que las unidades
en cada estrato sean homogéneas respecto a la característica en cuestión. La media y
la varianza desconocidas para el i-ésimo estrato son denotadas por mi y si2,
respectivamente.
Dentro de los grupos seleccionados se ubicarán las unidades elementales, por ejemplo,
las personas a encuestar, y podría aplicársele el instrumento de medición a todas las
unidades, es decir, los miembros del grupo, o sólo se le podría aplicar a algunos de
ellos, seleccionados al azar. Este método tiene la ventaja de simplificar la recogida de
información muestral.
El espacio muestral es: Conjunto formado por todos los resultados posibles de un
experimento aleatorio. EJ: Al lanzar un dado no cargado el espacio muestral del dado
seria: 1-2-3-4-5-6.
5.5 Muestreo no probabilístico
Es aquel para el que no se puede calcular la probabilidad de extracción de una
determinada muestra. Por tal motivo, se busca seleccionar a individuos que tienen un
conocimiento profundo del tema bajo estudio y se considera que la información
aportada por esas personas es vital para la toma de decisiones.
Suponiendo que la empresa cuenta con 25 directivas, 130 empleados y 913 obreros, y
el tamaño de la muestra que vamos a seleccionar es n = 120. Si la afijación es
proporcional debemos repartir la muestra de la siguiente manera:
Las 3 Directivas, los 15 empleados y los 102 obreros los seleccionamos utilizando el
muestreo aleatorio simple.
Margen de error
Cuando usted utiliza estadísticos para estimar un valor, es importante recordar
que, sin importar lo bien que esté diseñado su estudio, su estimación está
sujeta a error de muestreo aleatorio. El margen de error cuantifica este error e
indica la precisión de la estimación.
Mientras mayor sea el margen de error, más ancho será el intervalo y menos
seguro podrá estar usted del valor de la estimación de punto.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o "no
hay diferencia". La hipótesis alternativa es el enunciado que se desea poder concluir
que es verdadero de acuerdo con la evidencia proporcionada por los datos de la
muestra.
Intervalos de Confianza
X N (, )
Solución ejemplo 1.
Los cuantiles de orden 0.05 y 0.95, que encierran en el centro de la distribución normal
un área igual a 0.9 se muestran en el grafico siguiente:
2. Intervalo de confianza al 99 %.
De modo similar obtenemos los cuantiles de orden 0.005 y 0.995 que
Describen en el modelo normal una confianza del 99%.
8. Conclusiones
9. Referencias:
1. Muestreo Publicado por la Universidad de Sonora.
2. Salant, Priscilla, I. Dillman, and A. Don. How to conduct your own survey. No.
300.723 S3. 1994.
3. MARTÍNEZ BENCARDINO, Ciro (2012). Estadística y Muestreo. Bogotá: Ecoe.
4. COCHRAN, William G. (1980). Técnicas de muestreo. México: CECSA.
5. http://www.monografias.com/trabajos30/prueba-de-hipotesis/prueba-de-
hipotesis.shtml#ixzz53GXcIBPW.
6. http://kristinaopina.wixsite.com/muestreo.
7. http://www.monografias.com/trabajos75/prueba-hipotesis/prueba-
hipotesis2.shtml#conclusioa#ixzz53I9Myw4y.