Curso de Muestreo PDF

Estadística para la investigación
Modulo: Muestreo
Ms. Sc. Lic. Jorge Luis Medrano llano
Universidad publica de el alto
1
¿De que se trata el modulo?
Definir elementos para la elaboración de estudios basados en

muestreo. Selección y determinación del tamaño de muestra,
cálculo de errores de muestreo e inferencia a la población.
Competencias buscadas
Conoce y usa procedimientos estadísticos para la selección

de la muestra y la inferencia a la población.
2
Programa mínimo
1. Muestreo y distribuciones muéstrales:
2. Tipos de muestreo aleatorio
Muestreo Aleatorio Simple
Muestreo Aleatorio Estratificado
Muestreo Aleatorio por Conglomerados
3. Errores de muestreo
4. Estimaciones de los parámetros poblacionales
5. Diseños de investigación por muestreo
Organización de la asignatura
Clases teóricas:
Fundamentos teóricos del muestreo
Clases prácticas con SPSS y Excel:
Desarrollo de casos de aplicación
3
Bibliografía
-Gorgas – Cardiel - Zamorano: Estadística Básica para Estudiantes de
Ciencias. UCM, Madrid-España. 2011..
- Córdova, Manuel. Estadística. 5ta. Ed. Moshera. Lima-Perú, 2003.
Bibliografía Complementaria
- Ritchey, Ferris J.: Estadística para las Ciencias Sociales. 2da. Ed. Mc. Graw
Hill. México, 2006.
- Lázaro, C. Moisés: Inferencia Estadística. Moshera.Lima-Perú,2007
4
INTRODUCCIÓN
¿Qué es la estadística?
Estadística es la ciencia de recolectar,
organizar, presentar, analizar e interpretar
datos con el propósito de ayudar a una toma
de decisiones más efectiva.
Es una herramienta para generar

conocimiento.
5
ESTADISTICA DESCRIPTIVA E INFERENCIAL
Estadística Descriptiva: Estadística Inferencial:
Conjunto de técnicas y Conjunto de métodos

métodos que permiten utilizados para saber “algo”
organizar, resumir y
acerca de una población
presentar datos.
basándose en una muestra.
Se usa para transformar Se usa para transformar

datos en información. información en
conocimiento.
Contribuyen a la toma de decisiones
6
INFERENCIA ESTADÍSTICA
Extraer conclusiones y/o

tomar decisiones
concernientes a una
población basándose en
los resultados de una
muestra.
ESTIMACIÓN: PRUEBA DE HIPOTESIS:

En una muestra de 300 Probar que el 40% de hombres
personas se estima que el de 18 a 24 años tiene ese nivel
40% de hombres de 18 a 24 de consumo de cerveza.
consumen cerveza al menos
una vez a la semana.
7
Esquema de las etapas de un estudio estadístico
AREA DE INTERES DATOS
ORGANIZACIÓN
Y RESUMEN
Tema de Investigación ESTADÍSTICA
-Antecedentes Previos DESCRIPTIVA
-Objetivos INTERPRETACIÓN
-Preguntas de Investigación Muestra
-Posibles Hipótesis ¿Población o Muestra?
-Unidad de Análisis INFERENCIA
Población
-Población ESTADISTÍCA
-Variables
CONCLUSIONES
Probabilidad
INFORMACIÓN
8
RECORDEMOS
Un estadístico (estadígrafo)
Es una medida que describe las
características de una muestra.
Un parámetro
Es una medida que describe las
características de la población.
9
ESTADISTICOS Y PARAMETROS
Muestra Población
MEDIDA
(Estadístico) (Parámetro)
Variables Cuantitativas
Media 𝒙 
Desviación Estándar 𝒔 
Varianza 𝒔𝟐 2
Variables Cualitativas o Categorizadas
Proporción 𝑝=𝑝 
10
MUESTREO
MEDIA ARITMETICA
MEDIANA
POBLACION ESTIMACIONES VARIANZA
MUESTRA
OBJETIVO PROPORCION
RAZON
¿QUÉ TANTO SE
INFERENCIA APROXIMA ESTA
¿ES LA MUESTRA ESTIMACION AL
REPRESENTATIVA VERDADERO VALOR EN LA
DE LA POBLACION?
POBLACIÓN?
11
¿Qué es el muestreo?
• Es la parte de la estadística que estudio el

conjunto de métodos, técnicas y
procedimientos para:
 Seleccionar y obtener una muestra.
 Realizar inferencias a partir de la muestra.
12
DISEÑO DE LA INVESTIGACIÓN
METODOLOGIA DE PLANIFICACIÓN DE
INVESTIGACIÓN CIENTÍFICA
13
MAPIC
MATRIZ DE PLANIFICACIÓN EN
INVESTIGACIÓN CIENTÍFICA
ESTUDIOS POR ESTUDIOS POR
OBSERVACIÓN EXPERIMENTACIÓN
• Estudios basados en la • Estudios basados en la
observación de las unidades experimentación sobre las
de investigación, se pueden unidades de investigación.
realizar mediante:
• Censos
• Encuestas
• Revisión de registros
administrativos
14
MAPIC
ESTUDIOS POR OBSERVACIÓN
1.Definición de objetivos - Resultados Esperados

2.Definición de las Unidades de Observación y de la
Población
3.Definición de las Variables
4.Selección de un Método de Colecta de datos
(Cualitativo – Cuantitativo)
5.Selección del Plan de Muestreo
6.Definición del Tamaño de la Muestra
7.Selección y esbozo del Método Estadístico
15
MAPIC
ESTUDIOS POR EXPERIMENTACIÓN
1.Definición de Resultados Esperados y condiciones

experimentales.
2.Definición de Factores.
3.Definición de las Unidades Experimentales
4.Definición de Observaciones (variable de
respuesta)
5.Definición del Diseño Experimental.
6.Definición del Método Matemático.
16
ESTUDIOS POR OBSERVACIÓN
17
1. Definición de los resultados esperados
¿Qué se quiere determinar?

¿Cuál es el objetivo de la investigación?
¿Cuál es la necesidad de información?
El resultado esperado puede estar formulado bajo la forma de:

Pregunta
Respuesta (Hipótesis)
• Al finalizar esta etapa se dispone: Lista de resultado esperados
18
Definición de los resultados esperados
Ejemplos
Estimar la demanda de un producto y proyectarla para un
periodo de 5 años:
Estadísticamente: Estimar una cantidad (promedio)
Estimar la concentración de calcio en mujeres embarazadas
Estadísticamente: Estimar una cantidad (promedio)
Identificar factores que inciden en la cartera en mora de
las instituciones de microcrédito.
Estadísticamente: Estimar porcentajes (proporciones)
 Estimar la prevalencia de Hepatitis B
Estadísticamente: Estimar porcentaje (proporción)
19
2. Definición de la población y unidades de
observación
Población
Conjunto de “individuos” sobre los que existe una
interés de analizar
Población finita o infinita
Unidades de observación
Elementos de la población que serán observados o
estudiados. Por ejemplo: personas, familias, empresas,
productos, marcas, etc.
20
3. Definición de las variables
Variables categóricas o cualitativas

Son aquellas que toman un número limitado de modalidades:
sexo, estado civil, etc.
A cada modalidad corresponde una categoría de individuos;
estas categorías forman una partición de la población.
Variables reales o cuantitativas

son las que toman valores reales para los cuales podemos
calcular resúmenes numéricos ( media, varianza,... ): edad,
ingreso, gasto, rendimiento, etc.
21
3. Definición de las variables
Tipos de datos
Datos cuantitativos
Datos de medición – continuos
Datos de conteo - discreta
Datos cualitativos
Datos binarios
Datos ordinales
Datos nominales
22
4. Métodos de colecta
Primarias Cualitativas Reuniones de grupo

Entrevistas en profundidad
Observación
Cuantitativas Encuestas
Experimentos
Secundarias Internas Registros

Informes Internos
Externas Publicaciones
Estadísticas sectoriales
Informes Externos
23
Métodos de colecta primarios
INVESTIGACIÓN INVESTIGACION
CUANTITATIVA CUALITATIVA
Busca las causas sin recurrir a la Interés por comprender el
interpretación subjetiva comportamiento humano
Aproximación lógico-positivista Aproximación fenomenológica
Medición controlada Medición observacional natural, sin
control
Objetivismo, perspectiva externa Subjetivismo, perspectiva iterna
Orientación verificacionista, Orientación hacia el descubrimiento,
confirmatoria, reduccionista, inferencial exploratoria, descriptiva, inductiva
Orientación hacia el resultado Orientación hacia el proceso
Importancia de la formalidad, datos Importancia del contenido, datos reales
exactos y rigurosos
Particular – Intenta analizar General – Intenta sintetizar 24
Métodos de investigación cualitativos
Directos Entrevistas en profundidad

Reuniones de grupo (Grupos focales)
Semidirectos Phillips 66
Delphi
Indirectos Técnicas proyectivas

Técnicas de creatividad
Observación Personal
Análisis de Contenido
Auditoria
25
Métodos de investigación cualitativos
Encuestas/Censos Personal (cara a cara)

Postal
Telefónicas
En redes sociales
26
7. Análisis de datos
Población - Problema “complejo” que depende

del objetivo de la investigación.
- Debe ser capaz de representar a la

Muestra población y hacer inferencias.
-Criterios para el tamaño:

Muestreo
 Resultados esperados,
 Variables que participan en el
resultado
 Tipo de dato
 Método estadístico. 27
5. Definición del plan de muestreo
El plan de muestreo se refiere a los procedimientos de selección

de “individuos” de la población
Población Población
Muestra
Censo Muestreo
En el caso de un plan de muestreo se plantean dos preguntas:

1. ¿cómo elegir la muestra?
2. ¿cómo extrapolar a la población entera los resultados que se
observaron sobre la muestra? 28
6. Tamaño de la muestra
Población - Problema “complejo” que depende

del objetivo de la investigación.
- Debe ser capaz de representar a la

Muestra población y hacer inferencias.
-Criterios para el tamaño:

Muestreo
 Resultados esperados,
 Variables que participan en el
resultado
 Tipo de dato
 Método estadístico. 29
7. Análisis de los datos
Análisis exploratorio de los datos

Análisis descriptivo de los datos:
CONTROL DE CALIDAD DE
RESUMEN DE LOS DATOS
LOS DATOS
Análisis inferencial de los datos:

GENERALIZACIÓN DE
LOS DATOS
30
Análisis exploratorio
Unidimensional Bidimensional Multidimensional
Datos Box Plot Scatter Plot Diagrama de

cuantitativos individuos
(Análisis de
componentes
principales)
Datos Tablas de Tablas de Tablas de
cualitativos frecuencia frecuencia frecuencia
unidimensional unidimensional unidimensional
Datos mixtos - Box Plot : Análisis de

Cuantitativa- Componentes
nominal Principales
Scatter Plot:
Cuantitativa - Análisis Factorial
Ordinal
Análisis descriptivo
Datos Gráficas Gráficas, Análisis de

cuantitativos Parametros de Covarianza Componentes
posición, Correlación Principales
dispersión, forma Regresión Cluster
Datos Gráficas Análisis
Gráficas Tablas de
cualitativos Factorial
Tablas de frecuencia
frecuencia
Análisis inferencial
Estimación Promedios Correlación ANOVA

Varianzas Regresión Regresión múltiple
Proporciones Contingencia
Test de Test Conformidad Test de ANOVA

hipotesis comparación Discriminante
Test Significación Test de Canónico
significación
Métodos no
parametricos Run test Kernell
Spearman
Wilcoxon Redes
Kendall
Mann-Whitney neuronales
Kruskall
Construcción de la MAPIC
1. Resultados Esperados
2. Población y Unidades de Observación
3. Variable y tipo de dato
4. Método de colecta
5. Plan de muestreo (selección de la muestra)
6. Método Estadístico
7. Determinación del tamaño de la muestra
34
Ejemplo
OBJETIVO POBLACIÓN Y Variables de Método de Método de Muestreo

UNIDADES DE Respuesta Colecta Análisis
ANÁLISIS
Determinación Hogares de la Preferencia de Encuesta por Estimación de Muestreo
del porcentaje zona sur de la consumo muestreo en proporciones Aleatorio por
Conglomerados
de aceptación ciudad de La hogares mediante
de una Paz. Disposición a seleccionados intervalos de
mermelada pagar de la zona sur confianza.
elaborada con Jefes/as de
estevia. hogar Frecuencia de Pronóstico de
responsable de consumo la demanda
las compras de
la Canasta de Presupuesto de
Consumo compras
Nivel de
ingreso
35
MUESTREO Y DISTRIBUCIONES
MUESTRALES
MUESTREO ALEATORIO SIMPLE
36
¿Qué es el muestreo?
• Es la parte de la estadística que estudio el

conjunto de métodos, técnicas y
procedimientos para:
 Seleccionar y obtener una muestra.
 Realizar inferencias a partir de la muestra.
37
¿Por qué muestrear?
• Menor costo
• Mayor rapidez (menor tiempo)
• Mayor exactitud
Si la Población es muy grande, pero uniforme

(homogénea), se puede obtener conclusiones de
la población con el muestreo.
38
Limitaciones
• Cuando se necesita información de cada uno de los

elementos poblacionales, el muestreo nos puede
llevar a conclusiones erróneas.
• Cuando sea difícil de superar la dificultad del uso
del muestreo, por el tipo de población.
• El muestreo exige más refinamiento y preparación
(diseño de los instrumentos y preparación de los
entrevistadores, y supervisores).
• Cuando el costo por unidad de muestreo es muy
alto, es mejor no utilizar métodos de muestreo.
39
Errores de muestreo
• Error de cobertura (marcos incompletos)

• Error por mala calidad del marco (marcos
imperfectos)
• Error de respuesta (del entrevistado)
• Error de no respuesta (omisiones o sustituciones)
• Error de cuestionario (Indefinición del cuestionario)
• Error de entrevista (métodos de entrevista
inadecuados)
• Error de digitación o de cálculo en el procesamiento
de los datos.
40
Términos técnicos
Unidad de observación (elemento): Unidad sobre la cual se realizara

las observaciones.
Población o Universo: Conjunto total de las unidades que se quiere
investigar.
Muestra: Subconjunto de la población o universo
Población muestreada: Es la población de donde se extrae la muestra
Unidad de muestreo: Es la unidad sobre la que se selecciona la

muestra
Marco muestral: Lista de las unidades de muestreo. 41

Tipos de muestreo
PROBABILISTICO NO PROBABILISTICO
(Aleatorio) (No aleatorio)
• Toda unidad de muestreo (y en • La selección se realiza por
consecuencia toda unidad de conveniencia o por criterio del
la población) tiene una investigador, por lo tanto no
probabilidad positiva y existe una probabilidad
conocida de pertenecer a la conocida de pertenecer a la
muestra. muestra.
• Generalmente son menos
• Permiten realizar el estudio de exactos que los métodos
las características de la probabilísticos y menos
población mediante la costosos; sin embargo no
inferencia estadística. existe forma de medir su
precisión.
42
Planes de muestreo
PROBABILISTICO NO PROBABILISTICO
(Aleatorio) (No aleatorio)
• Es posible medir el error • No es posible medir el error.
• No existe un buen • Existe un buen conocimiento

conocimiento de la población de la población
• La selección de “individuos” se • La selección de “individuos” se

responsabiliza al azar responsabiliza al investigador.
43
METODOS NO
PROBABILISTICOS
 Muestreo indiscriminado
 Muestra de voluntarios
 Muestreo al juicio
 Muestreo por cuotas
 Muestreo por bola de nieve
44
Muestreo indiscriminado
 No tiene un tamaño definido, se

ajusta por lo general al tiempo y Ejemplos:
al presupuesto, por lo tanto no
suele responder a una Investigaciones sobre
planificación definida. preferencias de marca, en
la calle.
 Supone que la población es
homogénea. Investigaciones sobre
algún tema de debate
político.
 Se puede usar para
investigaciones preliminares.
Muestreo de voluntarios
 No tiene un tamaño definido, se

fija por lo general en un periodo Ejemplos:
de tiempo en el que participan
solo voluntarios.
Degustación de
productos a través de
 Supone que la población es más o impulsadoras (es)
menos homogénea.
Pruebas de algún tipo de
 Se puede usar para perfume.
investigaciones de percepción,
degustación o algunos
experimentos médicos.
Muestreo al juicio (por juicio)
 No tiene un tamaño definido,

pero se define en ideas previas de
la composición y del Ejemplos:
comportamiento de la población,
es un muestreo direccional. Estudios de hábitos de
consumo.
 Esta influenciado por el juicio del
investigador y puede sesgarse por Percepciones sobre
seleccionar solo casos típicos. temas especiales.
 Se puede usar para estudios

cualitativos.
Muestreo por cuotas
 La muestra reunida es separada

en cuotas y tiene la misma
proporción de individuos que Ejemplos:
toda la población con respecto al
fenómeno enfocado, las
características o los rasgos Estudios de mercado.
conocidos.
Sondeos de opinión
 Se definen los tamaños de
muestra en cada cuota. pública
 Se seleccionan los individuos
hasta completar las cuotas.
Muestreo por cuotas:
Procedimiento
1. Segmentación
División de la población en “estratos diferenciados” por ejemplo sexo, edad
área de residencia, ciudad, departamento. .
2. Determinación del tamaño de las cuotas:
• Se definen los objetivos de individuos para las encuestas, generalmente de
forma proporcional al tamaño del grupo en la población. Por ejemplo si
queremos un estudio para las ciudades de La Paz y El Alto y sabemos que
las proporciones poblacionales son 55% y 45%, respectivamente. Para una
muestra de 100 personas se entrevistaran 55 residentes de La Paz y 45
residentes de El Alto.
Nota:
A veces las cuotas no son proporcionales a la población, es posible que
se quiera profundizar el análisis en uno de los estratos.
3. Selección de participantes y comprobación de cuotas
• Se buscan a los participantes para cubrir las cuotas (aquí el muestreo deja
de ser probabilístico) pudiendo ser la selección no aleatoria por ejemplo
se puede seleccionar por conveniencia, hasta completar el tamaño de la
cuota.
Muestreo Bola de Nieve
 La muestra va creciendo según las Ejemplos:

unidades de muestreo son
contactadas. Permite aumentar la Estudios de prevalencia
muestra de individuos en una
de VIH, ITS en
población cuyo tamaño y
atributos son desconocidos poblaciones de difícil
acceso.
 Se usa en poblaciones pequeñas o
poblaciones con características
particulares: artistas, usuarios de Algunos estudios de
drogas, personas discapacitadas, mercado basados en
trabajadoras sexuales, población degustación.
gay, bisexual, trans,
Muestreo bola de nieve:
Procedimiento
1. Crecimiento de la muestra
• Empezar las encuestas con la lista de los miembros conocidos de la
población, luego ir pidiendo nombres de otros que se califican para el
grupo para contactarlos y entrevistarlos para luego ir pidiendo nuevos
nombres hasta que no surjan muchos nombres nuevos.
2. Saturación de la muestra
• Con cada interacción, la lista crece como bola de nieve, hasta que se
puede lograr un cuasi-censo, existe el riesgo de no tomar en cuenta a
individuos o sub-grupos que nadie menciona, ni conoce.
Algunas variantes cuasi – probabilísticas:

 Muestreo RDS (Respondent Driven Sampling): Muestreo conducido por
entrevistados.
 Muestreo TLS (Time Location Sampling): Muestreo por tiempo y lugar.
 Mapeos programáticos y sociales.
METODOS PROBABILISTICOS
Muestras de probabilidad simple
 Muestreo Aleatorio Simple (MAS)
 Muestreo Aleatorio Sistemático (MASIS)
 Muestreo Aleatorio Estratificado (MAE)
 Muestreo por Conglomerados (MAC)
 Muestreo Aleatorio Multietápico (MAM)
52
•Dada una población de tamaño N, se obtiene

una muestra de tamaño n, con MAS cuando
cualquier subconjunto de la población tiene
la misma probabilidad de ser elegida en la
muestra.
•Es la forma más simple de muestreo, sirve de

base para diseños de muestra más
complejos.
Muestreo Aleatorio Sistemático
•Dada una población de tamaño N, se obtiene

una muestra de tamaño n, con MAS o MASIS
cuando cualquier subconjunto de la
población tiene la misma probabilidad de ser
elegida en la muestra.
•Es la forma más simple de muestreo, sirve de

base para diseños de muestra más
complejos.
•Dada una población de tamaño N, esta se

subdivide en subgrupos llamados estratos,
que tienen características diferenciadas. La
estratificación permite aumentar la precisión
de la estimaciones.
•En cada estrato se realiza una selección por

MAS o MASIS.
Muestreo Aleatorio por Conglomerados
•Dada una población de tamaño N, las

unidades de observación se reúnen en
unidades de muestreo de mayor tamaño,
denominadas conglomerados.
•El muestreo se realiza seleccionando

conglomerados y al interior se eligen las
unidades de observación.
Procedimiento de selección aleatoria
•El MAS, el MASIS, el MAE y el MAC implican

una selección aleatoria de las unidades que
forman parte de la muestra.
•En una MAS o una MASIS se eligen al azar los
elementos de la población.
•En una MAE se eligen al azar los elementos
dentro de cada estrato de la población.
•En una MAC se eligen al azar los
conglomerados entre toda la población.
Determinación estadística de la población y
la unidad muestral
La definición, estadística de la población a la

que pertenece la base de la encuesta
permitirá:
1. Seleccionar la muestra (muestrear).

2. Elevar (extrapolar) los resultados de la
muestra a la población total.
Coeficiente de elevación
(Factor de expansión)
Suponga que de una población de 20.000

personas, se obtiene una muestra aleatoria de
500 personas.
𝑁 20.000
Coeficiente de elevación = = = 40
𝑛 500
Cada persona de la muestra representa a 40

personas de la población.
Coeficiente de elevación
(Factor de expansión)
Suponga que en la muestra se ha encontrado

que 200 personas, consumen habitualmente
café en el desayuno:
Se inferencia que:
Entonces: 200 * 40 = 8.000 personas de la

población total consumen café
Fracción de muestreo
Es el porcentaje de la población que ha sido

muestreada:
𝑛 500
Fracción de muestreo = = = 2,5%
𝑁 20000
Se han elegido 2,5 personas de cada 100 en

la muestra.
Se han elegido 25 por cada 1000 personas
en la muestra.
MUESTREO
ALEATORIO
SIMPLE
MAS
62
Características
Cada unida de la población (N) tiene la

misma probabilidad de ser elegido.
Se tiene una lista de la población identificada
con un número, por lo tanto se tiene una lista
de los n sujetos de la muestra rotulados o
identificados con un número.
Se utilizan métodos de selección tipo urna o
al azar, tablas o generadores de números
aleatorios.
Puede ser con reemplazo o sin reemplazo.
N = 48
n=5
Números
aleatorios:
20
27
29
32
40
MUESTREO
ALEATORIO
SISTEMATICO
MASIS
65
Características
Se usa este muestreo cuando se tiene una lista

de los N miembros de la población.
Se llama sistemático porque se selecciona
sistemáticamente cada k-ésimo miembro de la
lista de la población.
Si k es 5, se selecciona cada 5-ésimo sujeto o
unidad de la lista
El primer sujeto de la muestra se halla al azar,
por ejemplo con un número aleatorio.
Luego, se determina la fracción que nos da el
número k.
Muestreo Aleatorio Sistemático
N = 48
n=5
k = N/n
k = 48/5
k  10
Comenzando
por la unidad
17
MUESTREO
ALEATORIO
ESTRATIFICADO
MAE
68
Características
Se usa cuando la población estudiada tiene

características diferentes y se puede
estratificar, por ejemplo:
Área de residencia
Sexo
Departamento
Grupos de Edad
Productos
Marcas
Características
En el muestreo estratificado, determina un

tamaño de muestra en cada estrato
identificado, de manera que la muestra sea
representativa para cada estrato pero
también para la población total.
Una vez determinado el tamaño de muestra
de cada estrato, los elementos al interior de
los mismos se pueden obtener por MAS o
por MASIS
Afijación de la muestra
En el MAE, la muestra total debe distribuirse

entre los estratos identificados, mediante un
proceso que se llama afijación de la muestra:
Afijación simple
Afijación proporcional
Afijación óptima
Afijación simple
Afijación simple:
La muestra se reparte en partes iguales entre los

N = 10.000 estratos
N1 = 3.000
N2 = 5.000 ni = 300/3 = 100 unidades por estrato
N3 = 2.000
Desventajas:
n = 300 No se toma en cuenta el peso poblacional de los
estratos, por lo que algunos estratos podrían
estar mas (o menos representados que otros)
Afijación simple: Coeficiente de elevación
Es diferente en cada estrato:
3.000
N = 10.000 𝐶𝐸1 = = 300
100
N1 = 3.000
N2 = 5.000 5.000
N3 = 2.000 𝐶𝐸1 = = 500
100
n = 300 2.000
𝐶𝐸1 = = 200
100
Para hacer las inferencias a la población total se

debe ponderar los resultados de la muestra en
cada estrato por el Coeficiente de Elevación
Afijación proporcional
Afijación proporcional:
La muestra se reparte de acuerdo con el peso de

N = 10.000 cada estrato en la población total.
N1 = 3.000
N2 = 5.000 3.000
𝑛1 = 300 = 90
N3 = 2.000 10.000
n = 300 5.000
𝑛2 = 300 =150
10.000
2.000
𝑛3 = 300 = 60
10.000
Afijación proporcional: Coeficiente de elevación
Es igual en cada estrato:
3.000
N = 10.000 𝐶𝐸1 = = 33,33
90
N1 = 3.000
N2 = 5.000 5.000
N3 = 2.000 𝐶𝐸2 = = 33,33
150
n = 300 2.000
𝐶𝐸3 = = 33,33
60
Para hacer las inferencias a la población se usa

el mismo coeficiente de elevación.
Afijación optima
Afijación optima
La muestra se reparte de acuerdo con el peso de

N = 10.000 cada estrato en la población total y la dispersión
N1 = 3.000 de resultados.
N2 = 5.000
N3 = 2.000 Considerando t: Estratos
n = 300 𝑁𝑖 ∗ 𝑆𝑖 ∗ 𝑛
𝑛𝑖 = 𝑡
𝑖=1 𝑁𝑖 ∗ 𝑆𝑖
Es necesario conocer el valor de la Desviación

Estándar
Afijación optima: Cálculo de S
a) Se puede disponer de estimaciones de la
desviación estándar de estudios similares o de
líneas de base realizadas en los mismos estratos
o estratos similares.
N = 10.000
N1 = 3.000
N2 = 5.000
N3 = 2.000
n = 300
b) Se puede hacer una encuesta piloto, en una
muestra pequeña, respecto de la variable que
interesa analizar, por ejemplo salario de las
personas:
N = 10.000
N1 = 3.000
Supongamos tres muestras pequeñas, para medir el
N2 = 5.000 salario promedio
N3 = 2.000
Estrato 1 Estrato 2 Estrato 3
3.240 3.182 7.343
n = 300 4.543 5.996 6.279
2.961 6.857 6.832
3.242 6.808 3.977
Promedio 3.497 5.711 6.108
Desviación 710 1.731 1.485
3000 ∗ 710 ∗ 300
N = 10.000 𝑛1 = = 46
3000 ∗ 710 + 5000 ∗ 1731 + 2000 ∗ 1485
N1 = 3.000 5000 ∗ 1.731 ∗ 300

N2 = 5.000 𝑛2 = = 189
3000 ∗ 710 + 5000 ∗ 1731 + 2000 ∗ 1485
N3 = 2.000
2000 ∗ 1.485 ∗ 300
𝑛3 = = 65
S1 = 710 3000 ∗ 710 + 5000 ∗ 1731 + 2000 ∗ 1485
S2 = 1.731
S3 = 1.485
n = 300
Afijación óptima: Coeficiente de elevación
N = 10.000 Es diferente en cada estrato:
N1 = 3.000 3.000
𝐶𝐸1 = = 65,21
N2 = 5.000 46
N3 = 2.000
5.000
𝐶𝐸2 = = 26,46
S1 = 710 189
S2 = 1.731 2.000
S3 = 1.485 𝐶𝐸3 = = 30,77
65
n = 300 Para hacer las inferencias a la población se debe
ponderar el resultado muestral por el
coeficiente de cada estrato.
Se quiere estimar el gasto mensual de transporte en
2.000 hogares.
N = 2.000 Afijación Proporcional:
N1 = 800 𝟖𝟎𝟎
𝒏𝟏 = 𝟏𝟐𝟎 ∗ = 𝟒𝟖
N2 = 1.200 𝟐𝟎𝟎𝟎
𝟖𝟎𝟎
Coeficiente de elevación = = 𝟏𝟔, 𝟔𝟕
n = 120 𝟒𝟖
𝟏𝟐𝟎𝟎
S1 = 200 𝒏𝟏 = 𝟏𝟐𝟎 ∗ = 𝟕𝟐
S2 = 320 𝟐𝟎𝟎𝟎
𝟏𝟐𝟎𝟎
Coeficiente de elevación = = 𝟏𝟔, 𝟔𝟕
𝟕𝟐
2.000 hogares.
N = 2.000 En el estrato 1 se obtiene que el 80% de la

muestra tiene un gasto promedio superior a 500
N1 = 800 Bs.; mientras que en el estrato 2 este porcentaje
N2 = 1.200 es del 90%.
 Estrato 1: 80%*48 = 38 hogares de la muestra
38 * 16,67 = 633 hogares de la población
n = 120  Estrato 2: 90%* 72=65 hogares de la muestra
65*16,67 = 1084 hogares en la población
n1 = 48
n2 = 72 En la población total (633+1084) = 1717
hogares, es decir el 86% tiene un gasto mensual
mayor a 500 Bs.
2.000 hogares.
N = 2.000 Afijación óptima:
N1 = 800 𝟖𝟎𝟎 ∗ 𝟐𝟎𝟎

𝒏𝟏 = 𝟏𝟐𝟎 ∗ = 𝟑𝟓
N2 = 1.200 𝟓𝟒𝟒. 𝟎𝟎𝟎
𝟖𝟎𝟎
Coeficiente de elevación = =22,86
n = 120 𝟑𝟓
𝟏𝟐𝟎𝟎∗𝟑𝟐𝟎
S1 = 200 𝒏𝟏 = 𝟏𝟐𝟎 ∗ = 85
𝟓𝟒𝟒.𝟎𝟎𝟎
S2 = 320
𝟏𝟐𝟎𝟎
Coeficiente de elevación = = 𝟏𝟒, 𝟏𝟏
𝟖𝟓
2.000 hogares.
N = 2.000 En el estrato 1 se obtiene que el 82% de la

muestra tiene un gasto promedio superior a 500
N1 = 800 Bs.; mientras que en el estrato 2 este porcentaje
N2 = 1.200 es del 88%.
Estrato 1: 82%*35 = 29 hogares de la muestra

n = 120 29 * 22,86 = 663 hogares de la población
n1 = 35 Estrato 2: 88%* 85 = 75 hogares de la muestra

n2 = 85 75*14,11 = 1058 hogares en la población
En la población total: (663+1058) = 1721

hogares, es decir 86,05% tienen un gasto
superior a los 500 Bs.
MUESTREO
ALEATORIO POR
CONGLOMERADO
S
MAC
85
Características
Se usa cuando la población estudiada se

suele encontrar concentrada, en ciertas áreas
o cúmulos de población:
Escuelas
Iglesias
Edificios
Almacenes
Características
En el muestreo por conglomerados se

muestrean primero los conglomerados, se
puede usar por MAS o MASIS y si fuera el
caso se separa por estratos.
Una vez seleccionados los conglomerados, se

puede muestrear al interior de cada
conglomerado, también por MAS o MASIS.
Muestreo por etapas
En el MAC, se puede ir aplicando el muestreo

por etapas:
Primero municipios urbanos

Segundo Barrios
Tercero manzanos
Cuarto viviendas.
Determinación del
tamaño de la muestra
89
Cálculo del tamaño de la muestra
1. Defina el objetivo:
1. Cuantitativo (media)
2. Cualitativo (proporción)
2. Defina el tipo de Población:
1. Finita (Numerable)
2. Infinita (No enumerable)
3. Defina el nivel de confianza (1-)
1. 99% Se usa para controles de calidad.
2. 95% Se usa para estudios de mercado, estudios sociales, etc.
3. 90% Se usa para investigaciones sociales especiales.
4. Defina el error de estimación
1. Si es cuantitativo, el error es un número
2. Si es cualitativo, el error es un porcentaje
90
𝜎 𝑠
𝜎𝜇 = =
𝑛 𝑛
91
𝑝(1 − 𝑝)
𝜎𝑝 =
𝑛
92
Determinación del error, considerando la
amplitud del intervalo
• Estimación de proporciones • Estimación de promedios

Población Infinita Población Infinita
𝑝·𝑞 𝜎
𝑒 ≤∙ 𝑍1−𝛼/2 · 𝑒 ≤ 𝑍1−𝛼/2 ·
𝑛 𝑛
Población Finita Población Finita
𝑝·𝑞 𝑁−𝑛
𝑒 ≤ 𝑍1−𝛼/2 · 𝜎 𝑁−𝑛
𝑛 𝑛−1 𝑒 ≤ 𝑍1−𝛼/2 ·
𝑛 𝑛−1
El error máximo es 2 veces la desviación de la media muestra

Determinación del tamaño de la muestra
Muestreo Aleatorio Simple/Sistematico
Población Infinita Población Infinita
2 2
𝑍1−𝛼/2 ·𝑝·𝑞 𝑍1−𝛼/2 · 𝜎2
𝑛= 𝑛=
𝑒2 𝑒2
Población Finita Población Finita

2
𝑍1−𝛼/2 ·𝑝·𝑞·𝑁 2
𝑛= 𝑍1−𝛼/2 · 𝜎2 · 𝑁
𝑍 2 · 𝑝 · 𝑞 + (𝑁 − 1)𝑒 2 𝑛=
𝑍 2 · 𝑆 2 + (𝑁 − 1)𝑒 2
Si no se conoce la desviación 𝑥𝑖 − 𝑥 2
𝜎=𝑠=
poblacional: 𝑛−1
PARA ESTIMAR LA MEDIA POBLACIONAL (µ)
Para poblaciones infinitas

Se desea estimar la calificación promedio de los estudiantes de una
universidad, tomando en cuenta los siguientes criterios:
• Nivel de confianza = 95%
• Desviación estándar = 16.44
• Error máximo tolerable = 5
Para poblaciones finitas.
Ejemplo 1.b
En base a los datos del ejemplo
1.a, con N = 5000
PARA ESTIMAR LA MEDIA POBLACIONAL (µ)
Ejemplo 2.a
Se desea estimar el ingreso promedio de
las familias que viven en un municipio,
para ello se definen los siguientes
criterios:
 Nivel de confianza = 95%
Para poblaciones finitas
 Desviación estándar = 908.07
Ejemplo 2.b
Tomando en cuenta los
 Error máximo tolerable = 200
datos del ejemplo 2.a, con
N = 50000.
PARA ESTIMAR LA PROPORCIÓN POBLACIONAL (p)

Ejemplo 1.a.
Se desea estimar la proporción de los estudiantes, con un nivel de
aprendizaje de excelencia, para ello se define los siguientes
criterios:
• Nivel de confianza = 95%
• Proporción de estudiantes = (0.10 a 0.15), como referencia
• Error máximo tolerable = 5%
Para poblaciones finitas.

Ejemplo 1.b
En base a los datos del ejemplo 1.a,
con N = 5000
PARA ESTIMAR LA PROPORCIÓN POBLACIONAL (p)
Ejemplo 2.a
Se desea estimar la proporción de las
familias que viven en un municipio y que
tienen un ingreso alto, para ello se
definen los siguientes criterios:
 Nivel de confianza = 95%
Para poblaciones finitas
 Proporción de familias con ingreso
Ejemplo 2.b
alto = 0.10 Tomando en cuenta los
 Error máximo tolerable = 8% datos del ejemplo 2.a
Con N = 50000.
Determinación del tamaño de la muestra
𝐸 𝐸 2
𝑛=
1
𝑁𝐸 𝑃𝐸 𝑄𝐸
𝑊 𝜎
𝐸=1 𝐸 𝐸
2 𝑛= 2 𝐸 2
𝑁
𝑒 𝐸=1 𝑒 𝑊
𝐸=1 𝐸 𝐸𝜎
𝑍1−𝛼/2 +
𝑍 𝑁
E: Estratos
W: Peso (proporción de los estratos)
Se desea estimar el nivel de aprendizaje en los estudiantes
de una facultad, organizados en: excelentes (1), Muy
buenos (2), Buenos (3).El detalle se presenta en la
siguiente tabla:
Estrato NE 𝜎𝐸2 WE WE 𝜎𝐸2 𝜎𝐸 Nh

1 500 10,00 0,1429 1,429 3.1623 1581.15
2 1000 26,64 0,2857 7,611 5.1614 5161.40
3 2000 25,80 0,5714 14,742 5.0794 10158.80
3500 23,782
Con nivel de confianza del 95% (α = 0.05 y Z =1.96)
Afijación proporcional Afijación óptima
n1 = 3, n2 = 7, n3 = 13 n1 = 2, n2 = 7, n3 = 14
Se desea determinar el nivel de satisfacción que experimentan los
estudiantes, con relación a sus expectativas académicas en la Universidad,
con un error del 10%.
Estrato NE PE QE NhPhQh
1 500 38% 62% 118
2 1000 45% 55% 248
3 2000 60% 40% 480
3500 845
Afijación proporcional
n1 = 13, n1 = 27, n1 = 53
Tamaño de la muestra
Estimación de proporciones
POBLACIÓN INFINITA POBLACIÓN FINITA

𝑒 𝑍 𝑝 𝑞 + (𝑁 1
Datos de entrada Datos de entrada
Probabilidad de éxito (p) 70% Tamaño de la población (N) 300
Probabilidad de fracaso (q) 30% Probabilidad de éxito (p) 60%
Probabilidad de fracaso (q) 40%
Nivel de confianza (1 - α) 95%
Error estimado ( e ) 5%
Error estimado ( e ) 10%
Nivel de significación (α ) 5% Nivel de significación (α ) 5%

Buscar en tablas (1- α/2) 0,975 Buscar en tablas (1- α/2) 0,975
Valor de Z en tablas (Z) 1,96 Valor de Z en tablas (Z) 1,96
Tamaño de la muestra 323 Tamaño de la muestra 71
104
Tamaño de la muestra
Estimación de promedios
POBLACIÓN INFINITA POBLACIÓN FINITA

𝑒 +( )
Datos de entrada Datos de entrada
Desviación estándar (S) 5,0 Tamaño de la población (N) 2000
Varianza (S2) 25,0 Desviación estándar (S) 2
Varianza (S2) 2,76
Error estimado ( e ) 1,0
Error estimado ( e ) 0,20
Nivel de significación (α ) 5% Nivel de significación (α ) 1%

Buscar en tablas (1- α/2) 0,975 Buscar en tablas (1- α/2) 0,995
Valor de Z en tablas (Z) 1,96 Valor de Z en tablas (Z) 2,58
Tamaño de la muestra 96 Tamaño de la muestra 372
105
Tamaño de muestra para comparar dos
grupos
Tamaño de muestra para comparar dos
proporciones
n
Z * α 2p(1  p)  Zβ * p1 (1  p1 )  p 2 (1  p 2 ) 
2
(p1  p 2 ) 2
Zα = Valor correspondiente al riesgo. Valores Zα
Zβ = Valor correspondiente al poder o potencia. Potencia . Valores Zβ
(es recomendable que esté entre el 80 a 90%)
P = Promedio de las proporciones (p1+p2)/2

P1 = Proporción o frecuencia en los casos, grupo de referencia, placebo,
control o tratamiento habitual
P2 = Proporción o frecuencia en los controles, otro grupo, el grupo del
nuevo tratamiento, intervención o técnica.
Se desea evaluar si un nuevo tratamiento (T1) es mejor que el tratamiento
habitual (T2) para aliviar el dolor. Para lo cual se diseña un ensayo clínico.
Sabiendo que por datos previos la eficacia del fármaco habitual está alrededor del
70% y se considera clínicamente relevante si el nuevo fármaco alivia el dolor en
90%. El nivel de riesgo es 0,05 y se desea un poder estadístico de 60%.
Solución n
1.96 * 2 * 0.8(1  0.8)  0.842 * 0.7(1  0.7)  0.9(1  0.9)  2
(0.7  0.9) 2
p1 = 0,7
p2 = 0,9 n = 61
Zα = 1,96
Zβ = 0,842
p = 0,8
Tamaño de muestra para comparar
dos medias
2( Z  Z  ) * s 2 2
n 2
e
S2 = Varianza de la variable cuantitativa que tiene el grupo control o

de referencia.
e = Valor mínimo de la diferencia que se desea detectar (datos
cuantitativos)
Deseamos utilizar un nuevo fármaco antidiabético y
consideramos que seria clínicamente eficaz si lograse un
descenso de 15 mg/dl respecto al tratamiento habitual con el
antidiabético estándar. Por estudios previos sabemos que la
desviación típica de la glucemia en pacientes que reciben el
tratamiento habitual es de 16 mg/dl. Aceptamos un riesgo de
0,10 y deseamos un poder estadístico de 80% para detectar
diferencias si es que existen.
Solución:
e = 15 2(1,645  1,282) 2 *162
n
S = 16 152
Zα = 1,645 n = 20
Zβ = 1,282
Validación del Tamaño de Muestra
Una muestra para variables cuantitativas se puede validar de acuerdo con el
efecto tamaño. Cieza (2001) indica que “una buena observación se sugiere
tenga un efecto tamaño menor o igual a 0.5”
El Efecto tamaño se calcula de acuerdo con la siguiente fórmula:
e
Et 
Donde:
s
Et= Efecto tamaño
d = Valor mínimo de la diferencia que se desea detectar.
S = Desviación estándar
Tamaño de Muestra Ajustado a las
Pérdidas
En todo proyecto se deben considerar imprevistos que pueden hacer que
el tamaño de muestra calculada inicialmente se vea afectada ya sea por
que el sujeto de estudio se mudó, no desea participar, abandona, viaja,
etc. Se emplea la siguiente fórmula:
n
nc 
1  pe
Donde:
nc = muestra corregida
n = Muestra calculada
Pe = Porcentaje de pérdidas
Resumen de Formulas
113
FÓRMULAS PARA CALCULAR EL TAMAÑO DE
MUESTRA DE UN GRUPO
Población
desconocida
Variable
cualitativa
(Una
proporción)
Población
conocida
Tamaño de muestra
para un grupo
Población
desconocida
Variable
Cuantitativa
(Una media)
Población
conocida
FÓRMULAS PARA CALCULAR EL TAMAÑO DE
MUESTRA DE DOS GRUPOS
Variable
cualitativa
(Dos
Tamaño de proporciones)
muestra
para dos
grupos Variable
cuantitativa
(Dos medias)
Metodología LQAS
Lot Quality Aceptance Sampling
Muestreo de Aceptación de la Calidad del
Lote
116
¿Qué es LQAS?
• Es un método de muestreo que puede ser usado
para identificar áreas prioritarias (Ej. Servicios,
médicos, Programas de educación, etc.) o
indicadores que no alcanzan coberturas promedio o
que no alcanzan a la meta
• LQAS, consiste en dividir el ámbito de intervención

en áreas de supervisión (lote).
METODOLOGIA LQAS
Es un método de muestreo simple y rápido que usa
pequeños tamaños de muestra para:
Determinar la situación inicial (línea de base) del

Proyecto
Medir la cobertura y/o calidad del Proyecto
Identificar áreas prioritarias o indicadores que no
están logrando la meta y/o cobertura promedio del
Proyecto.
119
OBJETIVOS DEL LQAS
Objetivos y metas del

programas o proyecto
120
TERMINOLOGIA BÁSICA
LOTE: población del área de supervisión que será potencialmente analizada.
ÁREA DE SUPERVISIÓN: área geográfica del proyecto que está a cargo de uno o más
supervisores de la organización.
MUESTRA: población seleccionada aleatoriamente para representar el área de supervisión.
MUESTREO ALEATORIO: cuando toda la población del área de supervisión tiene la misma
posibilidad de ser seleccionada en la muestra.
REGLA DE DECISIÓN: El número mínimo de respuestas correctas esperadas en la muestra
para juzgar si un área de supervisión alcanza la meta y/o cobertura promedio del proyecto.
META: Es lo que establece la organización como el nivel mínimo esperado de cobertura.
COBERTURA PROMEDIO: Es la cobertura promedio de la organización en el área total del
proyecto.
INDICADOR PRIORITARIO: si el número de respuestas correctas es menor que la regla de
decisión de la cobertura promedio y/o de la meta del proyecto
ÁREA DE SUPERVISIÓN PRIORITARIA: son las áreas que están por debajo de la meta y/o de
la cobertura promedio del proyecto.
Tamaño de la muestra de LQAS
•LQAS utiliza pequeñas muestras
• Frecuentemente usa una muesra de 19 unidades,

que es suficiente para asegurar que en un lote se
puede medir la cobertura.
• Mayores tamaños de muestra raramente son

necesarias
Mantener el programa en el nivel actual
Cumplen la
Identificar recursos humanos que Meta de
pueden ayudar en las áreas de
menor cobertura
cobertura
Identificar las razones de la

baja cobertura
Más bajo del

promedio o
Desarrollar soluciones o de la meta
acciones focalizadas
¿Por qué una muestra de tamaño 19?
•Bueno para establecer áreas prioritarias.

•Bueno para establecer coberturas.
•Bueno para decidir dónde intensificar la
supervisión y dónde invertir más
recursos.
•Bueno para identificar coberturas de
conocimientos y prácticas de las de
bajas coberturas.
¿Por qué una muestra de tamaño 19?
• Una muestra de 19 provee un nivel aceptable de

error para tomar decisiones; al menos 92% de las
veces, identifica si una meta de cobertura ha sido
alcanzada o si un Área de Servicio es
substancialmente más bajo del promedio de
cobertura de un área programa
• Muestra mayores de 19 tienen prácticamente la

misma precisión estadística. No proporcionan mejor
información y cuestan más
¿Qué NO nos puede decir una muestra de
19?
•No es bueno para calcular coberturas exacta
en un área de supervisión; pero puede ser
utilizada para calcular coberturas para un
programa entero
•No es bueno para establecer prioridades de

supervisión cuando las coberturas tienen
pocas diferencias de coberturas
Ejercicio de LQAS
Pasos para aplicar una Técnica de muestreo
de LQAS
• Paso 1. Lista de las unidades de información y
población total
• Paso 2. Cálculo de la población acumulativa
• Paso 3. Calcular el intervalo de muestreo
• Paso 4. Elegir un número aleatorio
• Paso 5. Iniciar con el número aleatorio y usar el
intervalo de muestreo para identificar a las
unidades observacionales para las 19 entrevistas o
auditorías
Paso 1: Lista de servicios y población total
Paso 2: Cálculo de la población acumulada
ACUMULADO
1 170 170
2 213 383
3 153 536
4 113 649
5 170 819
6 160 979
7 150 1139
8 170 1299
9 150 1449
10 150 1599
11 95 1694
12 89 1783
13 150 1933
14 124 2057
15 128 2785
16 125 2310
17 320 2630
Paso 3. Calcular el intervalo de muestreo (IM)
Paso 4: Elegir un número aleatorio, para realizar la
selección por MASIS
Intervalo de muestreo Número aleatorio

•Total de unidades de • Generar un número
observación/19 aleatorio entre 1 y
2630
•IM= 2630/19= 138

•Ran # = 77
Paso 5. Selección de la muestra
• Se comienza a seleccionar a
partir del # aleatorio
obtenido
• Comenzando en 77 se va
aumentado 138, hasta
completar las 19 unidades
de muestreo.
Ficha de tabulación
Correcto= 1 Incorrecto=0 Omitido=S error=X

# Indicador Respuesta Total Total
correcta 1 2 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1 1 correctas tamaño
0 1 2 3 4 5 6 7 8 9
de la
muestra
1 Cobertura 95%
vacunación
2 Lactancia 100%
materna
niños < 6
meses
Tabla resumen de tabulación de todas las AS
para línea de base
# Indicador Total de respuestas Total Tamaño de Total Cobertura

correctas en cada correctas muestra tamaño de promedio/
lote/regla de decisión en el muestra en total
programa el programa correctas/tam
1 2 3 4 5 1 2 3 4 5 año muestra
1
3
Uso de la tabla de decisiones
• Después de la línea de base se definen el resultado final y metas

anuales
• Ejemplo
• Línea de base: 10%
• Año 1: 30%
• Año 2: 50%
• Año 3: 70%
• Final: 80%
Seguimiento
Resúmen del tabulado: monitoreo
# Indicador Total de respuestas correctas en Total Tamaño de muestra Total Cobertura Cobertura
cada lote/regla de decisión correctas tamaño promedio/ objetivo
en el de total o Meta
1 2 3 4 5 program 1 2 3 4 5 muestr correctas/t
a a en el amaño
progra muestra
ma
1
3
¿Cómo definir prioridades con LQAS?
Resultados de LQAS en las áreas de supervisión o Estado de prioridad

lotes
Debajo de la meta o Debajo del promedio de la Muy alto
cobertura esperada muestra de línea de base
(LB)
Debajo de la meta o No debajo del promedio de Segundo más alto
cobertura esperada la LB
No debajo de la cobertura Debajo del promedio de la Segundo más alto
esperada LB
No debajo de la cobertura No debajo del promedio de No es prioridad
esperada la LB
137
Muestreo para
poblaciones de difícil
acceso
RDS (Responding Driven Sampling)
TLS (Time Location Sampling)
138
Poblaciones difíciles de alcanzar
Diversidad sexual
Asociaciones de
diversidad sexual
No Discos
Identificados Bares
Trabajadores
<<Closet>> Sexuales Saunas
Asisten a sitios
conocidos
Metodología de muestreo
• RDS: Responding Driven Sampling

• Muestreo dirigido por los entrevistados.
• Se aplica generalmente a población gay, bisexual,
trans…poblaciones especiales (usuarios de drogas…)
0 TLS: Time Location Sampling

0 Muestreo por tiempo y lugar.
0 Se aplica generalmente a población que ejerce el
trabajo sexual … poblaciones especiales (polación en
situación de calle)
18/6/2016 Lic. Jorge Luis Medrano Ll. 140

Método RDS:

Teoría del método RDS
• Es una mejora del método de bola de nieve.

• Largas cadenas de reclutamiento a partir de semillas que permiten
establecer contactos.
• La cobertura de la muestra depende de las semillas.
• El tamaño de la muestra es similar a la población de la red que se
esta reclutando.
• El vinculo de los reclutados se realiza mediante cupones con
identificadores numéricos únicos.
• La red de reclutamiento funciona en base a un sistema de incentivos.

Semillas y olas
Semilla
18/6/2016 Lic. Jorge Luis Medrano Ll.

Supuestos del método RDS
•Las proporciones de una variable en la

población alcanzarán un equilibrio.
•Las conexiones son reciprocas.
•El reclutamiento se da con igual eficiencia en

toda la población.

Requisitos del método RDS
• Las redes sociales están adecuada y suficientemente conectadas.
• El reclutamiento no debe ser preferencial.
• Los reclutados son seleccionados probabilísticamente.
• El tamaño de red debe tener suficiente exactitud para el análisis RDS.

Método TLS:
• Es un muestreo aleatorio bi-etapico por

conglomerados.
• Etapa 1: Selección aleatoria de sitios, mediante un

proceso MAS.
• Probabilidad es proporciona al tamaño de los sitios
(PPT)
• Etapa 2: Selección aleatoria de individuos en los

sitios identificados
Teoría del método TLS
• Mapeo exhaustivo de los sitios donde se reúne la población:

• Se elabora un listado exhaustivo de todos los sitios donde la población se
reúne
• Se verifica el numero de personas que se reúne en cada uno de los sitios, en
los diferentes días y horarios.
• Se establece un marco muestral por sitios/hora
• Obtención de una muestra aleatoria de los sitios:
 Selección aleatoria por PPT: Los sitios con un mayor numero de personas
tendrán una mayor probabilidad de ser seleccionados.
• Selección aleatoria de los individuos en cada uno de los sitios:
• Se establece un sistema aleatorio de selección de los individuos dentro de los
sitios tomado en cuenta el funcionamiento de los diferentes sitios (barra
show, calles, bares, etc.)

Supuestos del método TLS
•La población de estudio no se mueve

entre los lugares del mapeo.
•Se puede establecer un marco muestral

por lugar y tiempo.
•La mayoría de la población de estudio se

localiza en los sitios mapeados.


Tamaños poblacionales
Poblaciones de difícil acceso

Consideraciones y alcances
• Las estimaciones de tamaño poblacional permiten

obtener una aproximación al tamaño ¡No son
exactos!
• Los diferentes métodos pueden usarse para:

• Estimaciones nacionales para políticas y distribución de
recursos.
• Estimaciones locales para propósitos de programas.

Métodos para el cálculo del tamaño
•Censo / Enumeración
•Sondeos en la población
•Métodos multiplicadores
•Captura - Recaptura
CENSO
Recuento total de
individuos que
componen la
población
Consiste en contar o
enumerar por completo
todos los individuos
sobre un área dada.
Métodos de Captura Recaptura
•Las marcas no deben alterar los mecanismos

fisiológicos o hábitos etológicos o la dinámica
de la población
•Marcas fácilmente reconocibles u objetos
distintivos en la población
•Población cerrada o con características
definidas.
•Poblaciones estáticas
Captura Recaptura
• Consiste en marcar una porción de la población y reintegrarla para

que se mezcle con los demás organismos
Captura Recaptura
• El Tamaño poblacional se determina en base al número de

organismos marcados y su proporción con respecto a los no
marcados
Captura Recaptura
n1 : Tamaño de la primera muestra.

n2 : Tamaño de la segunda muestra.
m: Cantidad de individuos capturados
en la segunda muestra que están
marcados.
La estimación está dada por:
n1n2 (200)(100)
Nˆ    1000
m 20
159

Curso de Muestreo PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso de Muestreo PDF

Uploaded by

Copyright:

Available Formats

Estadística para la investigación

Definir elementos para la elaboración de estudios basados en

Conoce y usa procedimientos estadísticos para la selección

- Córdova, Manuel. Estadística. 5ta. Ed. Moshera. Lima-Perú, 2003.

- Lázaro, C. Moisés: Inferencia Estadística. Moshera.Lima-Perú,2007

Es una herramienta para generar

Estadística Descriptiva: Estadística Inferencial:

Conjunto de técnicas y Conjunto de métodos

Se usa para transformar Se usa para transformar

Extraer conclusiones y/o

ESTIMACIÓN: PRUEBA DE HIPOTESIS:

AREA DE INTERES DATOS

• Es la parte de la estadística que estudio el

 Seleccionar y obtener una muestra.

 Realizar inferencias a partir de la muestra.

1.Definición de objetivos - Resultados Esperados

1.Definición de Resultados Esperados y condiciones

¿Qué se quiere determinar?

El resultado esperado puede estar formulado bajo la forma de:

• Al finalizar esta etapa se dispone: Lista de resultado esperados

Variables categóricas o cualitativas

Variables reales o cuantitativas

Primarias Cualitativas Reuniones de grupo

Secundarias Internas Registros

Directos Entrevistas en profundidad

Indirectos Técnicas proyectivas

Encuestas/Censos Personal (cara a cara)

Población - Problema “complejo” que depende

- Debe ser capaz de representar a la

-Criterios para el tamaño:

El plan de muestreo se refiere a los procedimientos de selección

En el caso de un plan de muestreo se plantean dos preguntas:

Población - Problema “complejo” que depende

- Debe ser capaz de representar a la

-Criterios para el tamaño:

Análisis exploratorio de los datos

Análisis inferencial de los datos:

Datos Box Plot Scatter Plot Diagrama de

Datos mixtos - Box Plot : Análisis de

Datos Gráficas Gráficas, Análisis de

Estimación Promedios Correlación ANOVA

Test de Test Conformidad Test de ANOVA

OBJETIVO POBLACIÓN Y Variables de Método de Método de Muestreo

• Es la parte de la estadística que estudio el

 Seleccionar y obtener una muestra.

 Realizar inferencias a partir de la muestra.

• Mayor rapidez (menor tiempo)

Si la Población es muy grande, pero uniforme

• Cuando se necesita información de cada uno de los

• Error de cobertura (marcos incompletos)

Unidad de observación (elemento): Unidad sobre la cual se realizara

Muestra: Subconjunto de la población o universo

Población muestreada: Es la población de donde se extrae la muestra

Unidad de muestreo: Es la unidad sobre la que se selecciona la

Marco muestral: Lista de las unidades de muestreo. 41

• Es posible medir el error • No es posible medir el error.

• No existe un buen • Existe un buen conocimiento

• La selección de “individuos” se • La selección de “individuos” se

 No tiene un tamaño definido, se

 No tiene un tamaño definido, se

 No tiene un tamaño definido,

 Se puede usar para estudios

 La muestra reunida es separada