You are on page 1of 13

Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

ESTADÍSTICA APLICADA A LA
INGENIERÍA AGRÍCOLA

CLASE 01

M.Sc. Emerson D. Norabuena Figueroa

Pág. 1

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

UNIDAD 01: TÉCNICAS DE MUESTREO

1.1. Elementos básicos: Universo, población, muestreo, ventajas,


desventajas, tipos de muestreo.
1.2. Estimadores: Propiedades.
1.3. Muestreo Aleatorio Simple (M.A.S): Estimadores, ecuaciones
fundamentales del muestreo, aplicaciones: tamaño de muestreo.
1.4. Muestreo Aleatorio Estratificado (M.A.E): Estimadores, ecuaciones
fundamentales del muestreo, aplicaciones: tamaño de muestreo.

Introducción al muestreo:
El muestreo es una fuente de acceso a la realidad. Entendemos por muestra una fracción de
la población representativa de ésta, de manera que pudiera utilizarse para extraer
conclusiones sobre la población. Los procedimientos y técnicas empleados para escoger
esta muestra deben de estar orientados a que cada muestra posible no introduzca sesgos o
deviaciones claras y sea suficientemente precisa. La teoría estadística del muestreo se ocupa
de los métodos y técnicas para diseñar la elección de la muestra y obtener aproximaciones
de ciertas características poblacionales como pueden ser proporciones, medias o totales de
las variables de interés.
Frente a las muestras, existen los llamados censos, o enumeraciones completas de todas las
unidades poblacionales. Estos censos resultan costosos y su duración suele ser larga. Las
muestras constituyen modelos reducidos de la realidad poblacional, son más rápidas y
menos costosas que los censos, y sus resultados suelen ser extrapolables al universo del que
extraen.

Aplicaciones en los diversos campos:


 En agricultura
Estudios de la distribución de los diferentes tipos de cultivo en un país o región.
Estudios relativos a la producción agrícola
 Investigaciones realizadas por el INEI
Encuesta de presupuestos familiares (EPF), sobre nivel de ingresos y gastos familiares.
Encuestas realizadas por empresas de sondeos de opinión incluyen:
 Sondeos de opinión, actitudes sociales.
 Encuestas electorales.

1.1. Elementos básicos: Universo, población, muestreo, ventajas,


desventajas, tipos de muestreo.

 Muestreo: Proceso estadístico en el cual se estudia un fenómeno que afecta a un


colectivo extenso o población, a partir de una muestra escogida o aleatoria de la
misma.

 Población: Conjunto de todos los individuos que porten información sobre el


fenómeno que se estudia.

Pág. 2

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

 Individuos: Corresponden a personas, objetos u otros elementos que pueden ser


escuelas, cursos, familias y hasta unidades territoriales. Los problemas más
corrientes que se presentan en la práctica, cuando se procede a investigar las
características de una población estadística es la imposibilidad de estudiar a cada
uno de los individuos u objetos que la conforman; por ello debemos depender de un
subconjunto o parte de la población como base para llegar a hipótesis relacionadas a
varias características o parámetros de ella. Por lo tanto, en estos casos resulta más
conveniente por razones de economía, tiempo y eficiencia analizar una muestra
que es un número determinado de individuos u objetos de la población y suponer
que se pueden ver en ellos con cierto grado de confianza lo que se quiere conocer
acerca del universo de donde provienen.

El estudio de estos aspectos recae sobre la estadística inductiva o inferencial cuya


finalidad es obtener conocimientos sobre algún conjunto extenso de datos, a partir
de muestras de los mismos, que permitan la inferencia de los resultados
estadísticos, los cuales representan cálculos aritméticos realizados sobre los valores
obtenidos de la muestra de la población que ha sido seleccionada rigurosamente.

Para que estos datos estadísticos sean de utilidad tienen que presentar dos
características básicas:

 Deben ser pertinentes; es decir, deben guardar una relación con el tema a
investigar.

 Deben ser in sesgado; es decir no deben tener deformaciones o errores


provenientes de los instrumentos empleados en la recolección de los datos.

 Características de las muestras:

Para que una muestra sea aceptable desde el punto de vista del análisis estadístico
deberá reunir las siguientes características:

 Deberá seleccionarse de manera que sea representativa 1 de la población de la cual


se obtuvo.

Es una muestra de un tamaño apropiado que ha sido escogida por procedimientos


aleatorios y se considera que las características observadas “representan” o
corresponden a la población de donde ella proviene.

Pág. 3

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

 La muestra además de permitir obtener estimaciones de características de la


población (totales, promedios, porcentajes, entre otros) deberá proporcionar
medidas de la precisión de dichas estimaciones.

 La muestra debe ser bastante reducida para evitar gastos innecesarios y lo bastante
amplia para que el error de muestreo sea admisible y además debe reunir las
exigencias de eficiencia, representatividad, seguridad y flexibilidad.

 Ventajas y desventajas del muestreo

A grandes rasgos la aplicación del muestreo es aconsejable principalmente en los


siguientes casos:

 Cuando la población sea infinita o tan grande que sea imposible la enumeración
completa de cada uno de los elementos o unidades.

 Cuando la población tenga las mismas características tal que una muestra sea una
imagen aceptable de la misma población.

 Con respecto a la parte técnica operacional y administrativa tenemos:

- Economía de tiempo y dinero

- Ampliación del alcance de una investigación.

- Mejor formación y control del personal que interviene en la investigación.

- Mayor control, calidad, rapidez y eficiencia en el procesamiento y publicación


de los datos.

- Permite la verificación posterior a una investigación utilizando menor personal y


otros recursos.

- Mayor confiabilidad y precisión de los datos obtenidos.

- Por otra parte, la aplicación del muestreo presenta algunas limitaciones comunes
entre las cuales tenemos:

 No permite hacer cálculos, proyecciones o tabulaciones con respecto a sectores


pequeños de una población o cuando se requiere información de cada elemento de
la población, ya que las dudas serían tan importantes que no es posible tener una
acertada predicción en base de la muestra.

 El cálculo de los resultados está sujeto a los errores del muestreo en sí y de errores
ajenos al muestreo.

Pág. 4

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

 Las investigaciones completas ofrecen un margen más sólido y eficiente de


exactitud que los obtenidos en base a la muestra.

 En base a una muestra se dificulta la tabulación cruzada de algunas características


investigadas.

 Las probabilidades de error se multiplican en las diferentes operaciones y en las


complicaciones que surjan de su propio mecanismo.

 La preparación estadístico-matemática del muestrísta para el diseño eficiente de


la muestra en todas sus etapas.

1.2. Estimadores del parámetro poblacional


Los estadísticos muéstrales son valores que nos permiten estimar los parámetros
poblacionales. Se trata de valores calculados en la muestra que operan como referencia
empírica del valor desconocido correspondiente a la población.

En virtud de la función que cumplen, los estadísticos muéstrales son conocidos como
estimadores. En principio pueden obtenerse infinitos valores para estimar un
parámetro poblacional existirá un estadístico muestral que es su mejor estimador.

Nótese que un estimador es un suceso aleatorio que se asume diversos valores con
probabilidades distintas. En efecto, en cada muestra de tamaño n extraída de una
población de tamaño N, el estimador asumiría un valor diferente. En consecuencia, un
estimador varía en forma aleatoria en torno al parámetro poblacional. Así, por ejemplo,
la media muestral de cada una de las muestras se aproxima en distinto grado al valor
parámetro poblacional.

1.2.1. Propiedades de los estimadores o estimaciones

Los estimadores presentan un conjunto de propiedades que permiten evaluar su


pertenencia en la estimación del parámetro poblacional. La teoría de la
estimación ha establecido cuáles son los atributos que caracterizan a un buen
estimador. En particular, se señala que un buen estimador debe ser insesgado,
consistente, eficiente y resistente.
Se conoce también como el proceso mediante el cual se obtiene la estimación.
Una estimación es el resultado numérico del estimador.
Para desempeñarse de manera confiable, los estimadores deben ser insesgados,
eficientes, consistentes y suficiente. Cada propiedad se discute a su tiempo con
esta sección de estudio.
a. Estimador Insesgado

Pág. 5

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

Un estimador es insesgado cuando la esperanza matemática del estimador

coincide con el valor del parámetro poblacional. Se dice que una estadística

es un estimador insesgado del parámetro si:

b. Estimador consistente
Un estimador es consistente si el valor de la estimación tiende a coincidir con
el valor del parámetro, cuando el tamaño de la muestra tiende a aproximarse
al tamaño de la población. En un estimador consiste la probabilidad que el
estimador coincida con el parámetro poblacional es 1 cuando el tamaño de la
muestra aumenta hasta coincidir con el tamaño de la población.

La probabilidad que la diferencia entre la media muestral y el parámetro

poblacional sea mayor que un número cualquiera tiende a 0 cuando el

tamaño de la muestra tiende al tamaño de la población.


c. Estimador eficiente
Un estimador es eficiente en términos absolutos cuando es el estimador de
menor dispersión entre todos los estimadores insesgados del parámetro. Por
otra parte, un estimador es eficiente en términos relativos cuando, comparado
con otro estimador, se establece que presenta menor dispersión respecto al
parámetro poblacional. En general, un estimador se caracteriza como
relativamente más eficiente cuando sus estimaciones son más próximas al
parámetro poblacional que las de otro estimador.
Si consideramos todos los posibles estimadores insesgado de algún parámetro

, el de menor varianza se llama estimador eficiente de


d. Estimador absoluta
Para estudiar la eficiencia absoluta se compara la eficiencia de cualquier

estimador en relación al de mínima dispersión. Así, por ejemplo, siendo

y estimadores de varianza mínima y varianza otro la expresión de la

eficiencia absoluta es la siguiente:

Se puede conocer el estimador de varianza mínima utilizando la desigualdad


de Cramer – Rao. Se demuestra mediante este procedimiento que la media
muestral es un estimador eficiente de la media poblacional.

Pág. 6

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

e. Eficiencia Relativa
Para verificar la eficiencia relativa se comparan las varianzas de dos

estimadores. Así, por ejemplo, los estimadores con varianzas 2 y 4,

respectivamente, permiten la siguiente conclusión a este respecto.

= = 0,5

Se deduce que para el mismo tamaño de muestra la eficiencia relativa de

con respecto a es del 50%. Es decir, .


f. Estimador Suficiente
Un estimador es suficiente si utiliza la información muestral en forma
extensa, de modo que ningún otro estimador logra con la misma muestra una
mejor estimación del parámetro poblacional. La media aritmética muestral es
un estimador suficiente de la media aritmética poblacional, porque otros
posibles estimadores – media geométrica, media armónica – no utilizan toda
la información muestral como la media aritmética para estimar el parámetro
poblacional. Se demuestra que la proporción muestral es un estimador
suficiente del valor de la proporción en la población origen de la muestra.
Para evaluar la suficiencia de un estimador se utiliza el teorema de
factorización.
g. Estimador resistente
Un estimador es resistente si no se ve afectado por la presencia de valores
anómalos. Los valores anómalos inciden negativamente en la calidad de la
inferencia. Se usa el término anómalo para designar valores aberrantes y
valores contaminantes. Un valor aberrante es un valor discordante con los
datos que componen la muestra. Por ejemplo, un valor extremo. Un valor es
contaminante cuando está presente en la muestra no siendo parte de la
población objeto.

h. asda
Diferencias entre poblaciones y muestras
Población Muestra
Definición Colección de elementos considerados Parte o porción de la población
seleccionada para su estudios
Características Parámetros(fijos) Estadísticos(variables o aleatorios)
Símbolos Tamaño de población =N Tamaño de muestra =n

Media de la población Muestra de la población

Desviación estándar de la muestra = S


Desviación estándar de la población
Pág. 7

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

1.3. Tipos de muestreo


Existen varias clases de muestreo, que se resumen en dos grandes grupos: muestreo
probabilístico y no probabilístico.

 Probabilístico
- Muestreo aleatorio simple
- Muestreo aleatorio estratificado
- Muestreo por conglomerados
- Muestreo sistemático
 No probabilística
- Muestreo de convivencia
- Muestreo por juicio u opinión
- Muestreo por cuotas
- Muestreo por bola de nieve
- Muestreo discrecional

1.3.1. Muestreo Aleatorio Simple

Objetivo: Seleccionar una muestra para representativa de la población, con el


fin de obtener estimadores de los parámetros. Para lograrlo existen varios
métodos y en cada uno de ellos se puede establecer:
- El grado de precisión requerida en los estimadores.
- Tamaño de la muestra.
- Costo y tiempo.
Se denomina muestreo aleatorio simple a aquel en que todos los elementos de la
población tienen la misma probabilidad de formar parte de la muestra y ésta es
determinada únicamente por el azar. Se trata de un tipo de muestreo
probabilístico que permite con facilidad llevar a cabo inferencias estadísticas y
calcular la probabilidad de error asociada a las mismas.
Concretando, el muestreo aleatorio simple consiste en seleccionar n elementos
con o sin reemplazamiento de entre los N elementos que componen la población,
de tal modo que todas las muestras de tamaño n que se puedan formar tengan la
misma probabilidad de ser elegidas.
Si la muestra se selecciona sin reemplazamiento (es decir, cuando un elemento
ha sido extraído queda descartado de cara a la siguiente extracción) se habla de
muestreo aleatorio sin reposición, también llamado muestreo
irrestrictamente aleatorio.

Pág. 8

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

Si la muestra se selecciona con reemplazamiento (es decir, el elemento elegido


en cada extracción vuelve a ser incluido en la población antes de extraer el
siguiente elemento) se habla de muestreo aleatorio con reposición, también
llamado generalmente muestreo aleatorio simple.
Si bien los dos métodos son distintos, cuando el tamaño de la población es
infinito o tan grande que pueda considerarse como infinito, ambos métodos

n
llegan a las mismas conclusiones. Si la fracción de muestreo es mayor de
N
0.1 (se muestrea más del 10 % de la población) la diferencia entre ambos
métodos puede ser apreciable, llegando a conclusiones contradictorias según se
aplique un método u otro.
Ejemplo:
En el muestreo aleatorio sin reposición, el número de muestras de tamaño n que

N
se pueden formar es:   , y, por tanto, la probabilidad de elegir una muestra

n

1   !·nnN !
p 
determinada es:  N  N! La probabilidad de que un elemento determinado de la

 
n
n
población forme parte de la muestra viene dada por p  .
N

Pág. 9

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

En efecto:

 N  1
 
caso favorables n1 N 1!· N n! n!· n
p   
caso posibles N N n!· n1! N!· N
.

 
n
En la práctica el procedimiento de muestreo aleatorio consiste en extraer al azar
los elementos que constituyen la muestra, obteniendo la muestra unidad a
unidad. Para ello, si la población es finita, se enumeran los elementos de la
población desde 1 hasta N, y se extraen a continuación n elementos usando una
urna o un bombo. Este procedimiento, aunque sencillo, requiere tener unos
medios materiales: un bombo o una urna, papeles numerados o bolas numeradas,
etc., por lo que se suelen utilizar otras alternativas como las tablas de números
aleatorios o la generación de números aleatorios con la calculadora.
Las tablas de números aleatorios son tablas de números colocados de tal forma
que no exista ninguna relación entre ellos sea cual sea el sentido en que los
leamos. Al final de los contenidos teóricos de este tema aparece una tabla de
números aleatorios.
 Etapas del muestreo:
1) Definir la población de estudio(Objetivo – Marco muestral )
2) Seleccionar un procedimiento de muestreo
3) Definir el tamaño de muestra (según el tipo de muestreo de estudio).
4) Seleccionar la(s) unidades muestrales de manera sistemática por medio de
algún medio mecánico (Tablas de números aleatorios, bolas dentro de una bolsa,
números aleatorios generados con una calculadora, etc.)
 Marco Muestral: Es un listado de todas las unidades que conforman la
población objetivo, puede ser una base de datos, plano e incluso mapas. Es

Pág. 10

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

útil aclarar, que en la práctica se diferencia la población objetivo de la


población en estudio (marco muestral disponible).
- Tamaño de la muestra en población
 En la variable - En la proporción

= =

p = Probabilidad de éxito
q = (1 – p) = Probabilidad de fracaso
1 – α = Nivel de confianza
e = error de diseño
 Error de muestreo
Es la diferencia que poder haber entre el valor poblacional (parámetro) y la
estimación de la misma (estimación puntual o estadígrafo), obtenida por
medio de una muestra aleatoria, observada en una de las tantas muestras
posibles de una población dada. La totalidad de estos errores, genera la
distribución de muestreo empleada para estimar el valor poblacional.
El tamaño de error depende del investigador que está dispuesto a aceptar, caso
contrario está más allá del control del investigador (no hay nada que se pueda
hacer sobre la varianza de la población), sí es posible limitar el tamaño de
error.
El tamaño de error que el investigador puede tolerar, depende de qué tan
crítico es el trabajo. Algunas tareas extremadamente delicadas requieren de
resultados exactos: lo procedimientos médicos vitales de los cuales dependen
vidas humanas, o la producción de piezas de una máquina que deba cumplir
medidas precisas, pueden tolerar sólo un pequeño error. En otros casos, los
erros más grandes pueden tener consecuencia menos grave.
Se supone que en la fabricación de una pieza para los productos de discos
compactos (CD), un error de 2 milímetros (mm) en el diámetro no causaría
problema alguno; sin embargo, todo error superior a 2mm resultará en un
reproductor defectuoso. Si una pieza puede variar por encima y por debajo de
algún diámetro deseado en 2mm, se permite un intervalo de 4mm. Todo
intervalo dado es dos veces que el error tolerable.

Pág. 11

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

En esta sección se considera la determinación del tamaño muestral apropiado bajo


varias condiciones.

Nivel de confianza asociado a coeficiente de confianza

Nivel de confianza 90% 95% 95.5% 99% 99.7%


Coeficiente de confianza 1.64 1.96 2 2.58 3

- Tamaño de la muestra cuando se conoce la población (ajuste)

n =

- Estandarización de la media de la muestra

Media de muestra Media Poblacional

z=

Error estándar de la media =

Nota: En general se cumple que, al aumentar la precisión, es decir, al


disminuir el grado de error, aumenta el tamaño de muestra necesaria. En el
caso de proporciones, el error se expresa como un porcentaje del valor que
puede tener el parámetro, es decir, 5% o 6%, en caso se habla de precisión
relativa.
El nivel de confianza, generalmente se fija en 95% si no existiese en el
diseño. El efecto de este valor sobre el tamaño de muestra es directo; es decir,

Pág. 12

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F


Facultad de Ingeniería Agrícola: Escuela Profesional de Ingeniería Agrícola

para una precisión dada, el tamaño de muestra aumenta al incrementar el


nivel de confianza.

Pág. 13

Unidad 1: Técnicas de muestreo M.Sc. Emerson d. Norabuena F

You might also like