1. Dise˜nos de Muestreo Estad´ıstico
Giovany Babativa, MSc.
Especializaci´on en Estad´ıstica
Departamento de Ciencias B´asicas
Fundaci´on Universitaria Los Libertadores
8 de septiembre de 2012
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
3. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
4. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
5. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
6. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
7. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
8. 1. Introducci´on:
Decisiones previas al Muestreo
Objeto de estudio.
Poblaci´on objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
9. Definiciones
Universo de Estudio
Definici´on
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
alg´un tipo de informaci´on. Definir Alcance: Ej. Intenci´on de
voto - ¿Rural?
Poblaci´on Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigaci´on. Lo anterior se puede dar por razones
operativas, pol´ıticas, econ´omicas, etc.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
10. Definiciones
Universo de Estudio
Definici´on
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
alg´un tipo de informaci´on. Definir Alcance: Ej. Intenci´on de
voto - ¿Rural?
Poblaci´on Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigaci´on. Lo anterior se puede dar por razones
operativas, pol´ıticas, econ´omicas, etc.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
11. Definiciones
Universo de Estudio
Definici´on
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
alg´un tipo de informaci´on. Definir Alcance: Ej. Intenci´on de
voto - ¿Rural?
Poblaci´on Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigaci´on. Lo anterior se puede dar por razones
operativas, pol´ıticas, econ´omicas, etc.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
12. Definiciones
Marco Muestral
Definici´on
Dispositivo que permite IDENTIFICAR y UBICAR a todos los
elementos de la poblaci´on objetivo. Ej. Marcos de lista y marcos
por ´areas.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
13. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
14. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
15. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
16. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
17. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
18. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
19. Definiciones
Muestra: Subconjunto de la poblaci´on.
Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observaci´on: Es el objeto sobre el cual se realiza al
menos una medici´on.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupaci´on de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigaci´on como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
20. Definiciones
Variables de inter´es
¿Qu´e es una variable? yk, zk, xk.
Par´ametros a investigar: Totales, razones, proporciones,
indicadores, ´ındices. Por ejemplo, total de personas que
consumen una categor´ıa, proporci´on de personas que votar´an
por xxxx, Ventas por m2.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
21. Definiciones
Variables de inter´es
¿Qu´e es una variable? yk, zk, xk.
Par´ametros a investigar: Totales, razones, proporciones,
indicadores, ´ındices. Por ejemplo, total de personas que
consumen una categor´ıa, proporci´on de personas que votar´an
por xxxx, Ventas por m2.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
22. OJO con el planteamiento del Objetivo
Determinar el nivel medio de colesterol de la poblaci´on de
Bogot´a a trav´es de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizar´a, el muestreo es una t´ecnica, una forma de trabajo
que se implementa en FUNCI´ON del objetivo trazado y en esa
medida NO es parte de ´el.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
23. OJO con el planteamiento del Objetivo
Determinar el nivel medio de colesterol de la poblaci´on de
Bogot´a a trav´es de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizar´a, el muestreo es una t´ecnica, una forma de trabajo
que se implementa en FUNCI´ON del objetivo trazado y en esa
medida NO es parte de ´el.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
24. OJO con el planteamiento del Objetivo
Determinar el nivel medio de colesterol de la poblaci´on de
Bogot´a a trav´es de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizar´a, el muestreo es una t´ecnica, una forma de trabajo
que se implementa en FUNCI´ON del objetivo trazado y en esa
medida NO es parte de ´el.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
25. OJO con el planteamiento del Objetivo
Comparar el desempe˜no de los cirujanos antes y despu´es de
recibir el curso de entrenamiento.
COMPARAR – Acci´on metodol´ogica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
26. OJO con el planteamiento del Objetivo
Comparar el desempe˜no de los cirujanos antes y despu´es de
recibir el curso de entrenamiento.
COMPARAR – Acci´on metodol´ogica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
27. OJO con el planteamiento del Objetivo
Comparar el desempe˜no de los cirujanos antes y despu´es de
recibir el curso de entrenamiento.
COMPARAR – Acci´on metodol´ogica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
28. OJO con el planteamiento del Objetivo
Realizar una encuesta sobre el consumo de drogas en la
ciudad de Bogot´a.
Caso Extremo en el que el acto metodol´ogico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar informaci´on que
permita dar respuesta a algunas preguntas de inter´es sobre
drogadicci´on, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
29. OJO con el planteamiento del Objetivo
Realizar una encuesta sobre el consumo de drogas en la
ciudad de Bogot´a.
Caso Extremo en el que el acto metodol´ogico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar informaci´on que
permita dar respuesta a algunas preguntas de inter´es sobre
drogadicci´on, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
30. OJO con el planteamiento del Objetivo
Realizar una encuesta sobre el consumo de drogas en la
ciudad de Bogot´a.
Caso Extremo en el que el acto metodol´ogico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar informaci´on que
permita dar respuesta a algunas preguntas de inter´es sobre
drogadicci´on, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
31. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
32. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
33. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
34. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
35. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
36. Estrategia Muestral
Existen dos grandes categor´ıas de m´etodos de muestreo: El
muestreo probabil´ıstico y el muestreo no probabil´ıstico.
Muestreo probabil´ıstico: Implica que todos los elementos de
una poblaci´on objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selecci´on se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la poblaci´on, generalmente
son muestras costosas.
Muestreo NO probabil´ıstico: Son todas las dem´as muestras
donde el investigador puede influenciar la selecci´on o debido a
la inexistencia de un marco muestral o por ser un target de
dif´ıcil consecuci´on no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la poblaci´on, es de bajo
costo y f´acil aplicaci´on.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
37. Muestreo NO probabil´ıstico
A veces, para estudios exploratorios, el muestreo probabil´ıstico
resulta excesivamente costoso y se acude a m´etodos no
probabil´ısticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
¨representativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
38. Muestreo NO probabil´ıstico
A veces, para estudios exploratorios, el muestreo probabil´ıstico
resulta excesivamente costoso y se acude a m´etodos no
probabil´ısticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
¨representativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
39. Muestreo NO probabil´ıstico
A veces, para estudios exploratorios, el muestreo probabil´ıstico
resulta excesivamente costoso y se acude a m´etodos no
probabil´ısticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
¨representativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
40. Muestreo NO probabil´ıstico
A veces, para estudios exploratorios, el muestreo probabil´ıstico
resulta excesivamente costoso y se acude a m´etodos no
probabil´ısticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
¨representativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
41. Muestreo NO probabil´ıstico
Muestreo de conveniencia, casual o accidental
Busca elementos convenientes para ejecutar un estudio, ac´a el
investigador selecciona de manera directa e intencionalmente a
ciertos elementos de la poblaci´on.
Un ejemplo puede ser al crear una encuesta dirigida a ni˜nos donde
el investigador puede probar su cuestionario con su hijos o
familiares cercanos. Un caso puede ser dado por los profesores que
usualmente usan a sus alumnos para recolectar alg´un tipo de
informaci´on. No es una metodolog´ıa usual en la pr´actica.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
42. Muestreo NO probabil´ıstico
Muestreo de Juicio o cr´ıtico
La muestra se elige con base en el conocimiento que el investigador
tenga sobre su poblaci´on y la naturaleza de su investigaci´on.
Se debe confiar en el criterio del investigador, muchas veces se usa
en estudios cualitativos (profundizaci´on) a trav´es de referidos o
para generar pruebas piloto. Generalmente se caracteriza por ser
algo deliberado por obtener una muestra de elementos
supuestamente representativos, ejemplo: consumidores heavy,
sondeos preelectorales en zonas que en anteriores votaciones han
marcado tendencias de voto.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
43. Muestreo NO probabil´ıstico
Muestreo Bola de nieve
Se utiliza principalmente cuando la poblaci´on objetivo es de dif´ıcil
localizaci´on. Por ejemplo, recicladores, desplazados, etc.
Para llevarlo a cabo se inicia con unos pocos elementos que pueden
responder a las necesidades de la investigaci´on y que a su vez
pueden proporcionar informaci´on sobre la ubicaci´on de otros
miembros de la poblaci´on de inter´es.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
44. Muestreo NO probabil´ıstico
Muestreo por cuotas
Tal vez uno de los m´as utilizados para hacer estudios exploratorios.
Tiene por objetivo asegurar que los diversos subgrupos de una
poblaci´on est´en representados en la muestra respecto de las
caracter´ısticas pertinentes de la muestra y con la proporci´on exacta
que el investigador desee.
La velocidad de recopilaci´on de datos, los costos bajos y la
comodidad son sus principales ventajas frente al muestreo de
probabilidad. Generalmente usa criterios pareto para tomar
unidades muestrales en las primeras etapas (juicio) e internamente
se establecen cuotas por celdas generalmente representadas por
variables demogr´aficas.
Dise˜nar muestra por cuotas
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
45. Muestreo NO probabil´ıstico
Ponderaci´on
Mecanismo utilizado para devolver a la muestra al peso diferencial
que tiene en la poblaci´on. Generalmente usado en muestras para
ajustar una distribuci´on conocida a priori usando la distribuci´on a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabil´ıstico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
46. Muestreo NO probabil´ıstico
Ponderaci´on
Mecanismo utilizado para devolver a la muestra al peso diferencial
que tiene en la poblaci´on. Generalmente usado en muestras para
ajustar una distribuci´on conocida a priori usando la distribuci´on a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabil´ıstico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
47. Muestreo NO probabil´ıstico
Ponderaci´on
Mecanismo utilizado para devolver a la muestra al peso diferencial
que tiene en la poblaci´on. Generalmente usado en muestras para
ajustar una distribuci´on conocida a priori usando la distribuci´on a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabil´ıstico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
48. Muestreo NO probabil´ıstico
Ponderaci´on
Mecanismo utilizado para devolver a la muestra al peso diferencial
que tiene en la poblaci´on. Generalmente usado en muestras para
ajustar una distribuci´on conocida a priori usando la distribuci´on a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabil´ıstico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
49. Muestreo NO probabil´ıstico
Ponderaci´on
Algunos m´etodos para ponderar son:
Pos-estratificaci´on.
Raking o ponderaci´on RIM.
Calibraci´on.
¿por cu´ales variables pondero? Construir una ponderaci´on
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
50. Muestreo NO probabil´ıstico
Ponderaci´on
Algunos m´etodos para ponderar son:
Pos-estratificaci´on.
Raking o ponderaci´on RIM.
Calibraci´on.
¿por cu´ales variables pondero? Construir una ponderaci´on
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
51. Muestreo NO probabil´ıstico
Ponderaci´on
Algunos m´etodos para ponderar son:
Pos-estratificaci´on.
Raking o ponderaci´on RIM.
Calibraci´on.
¿por cu´ales variables pondero? Construir una ponderaci´on
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
52. Muestreo NO probabil´ıstico
Ponderaci´on
Algunos m´etodos para ponderar son:
Pos-estratificaci´on.
Raking o ponderaci´on RIM.
Calibraci´on.
¿por cu´ales variables pondero? Construir una ponderaci´on
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
53. Muestreo NO probabil´ıstico
Ponderaci´on
Algunos m´etodos para ponderar son:
Pos-estratificaci´on.
Raking o ponderaci´on RIM.
Calibraci´on.
¿por cu´ales variables pondero? Construir una ponderaci´on
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
54. Muestreo Probabil´ıstico
Conceptos B´asicos
Definici´on
Defina a U un universoa de elementos {U1, . . . , UN} finito y
conocido de antemano con una variable de inter´es Y que toma
valores {y1, . . . , yN}. Sea el par´ametro θ (medida del universo) una
funci´on de (y1, . . . , yN) de esta manera a θ(y1, . . . , yN) se
denomina par´ametro y se denota θ.
a
En adelante se denominar´a universo a la poblaci´on objetivo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
55. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =
U
yk
Promedio: Promedio de ingresos, promedio de ventas...
yU =
1
N
U
yk
Raz´on: Personas ocupadas por tipo de establecimiento,
consideraci´on de productos en compradores, Consumo de
gasolina de un auto (Km por gal´on).
R = U yk
U zk
=
ty
tz
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
56. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =
U
yk
Promedio: Promedio de ingresos, promedio de ventas...
yU =
1
N
U
yk
Raz´on: Personas ocupadas por tipo de establecimiento,
consideraci´on de productos en compradores, Consumo de
gasolina de un auto (Km por gal´on).
R = U yk
U zk
=
ty
tz
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
57. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =
U
yk
Promedio: Promedio de ingresos, promedio de ventas...
yU =
1
N
U
yk
Raz´on: Personas ocupadas por tipo de establecimiento,
consideraci´on de productos en compradores, Consumo de
gasolina de un auto (Km por gal´on).
R = U yk
U zk
=
ty
tz
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
58. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =
U
yk
Promedio: Promedio de ingresos, promedio de ventas...
yU =
1
N
U
yk
Raz´on: Personas ocupadas por tipo de establecimiento,
consideraci´on de productos en compradores, Consumo de
gasolina de un auto (Km por gal´on).
R = U yk
U zk
=
ty
tz
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
59. Muestreo Probabil´ıstico
Conceptos B´asicos
Definici´on
Sea s una muestra de elementos con mediciones y1, . . . , yns . Se
define el estimador θ, una funci´on de los valores de la muestra, se
busca de tal manera que apunte al valor del par´ametro θ.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
60. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =?
Promedio: Promedio de ingresos, promedio de ventas...
ys =
1
ns s
yk
ys = ns
s
yk
Note que la proporci´on, promedio y raz´on son casos particulares de
la estimaci´on de un total.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
61. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =?
Promedio: Promedio de ingresos, promedio de ventas...
ys =
1
ns s
yk
ys = ns
s
yk
Note que la proporci´on, promedio y raz´on son casos particulares de
la estimaci´on de un total.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
62. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =?
Promedio: Promedio de ingresos, promedio de ventas...
ys =
1
ns s
yk
ys = ns
s
yk
Note que la proporci´on, promedio y raz´on son casos particulares de
la estimaci´on de un total.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
63. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =?
Promedio: Promedio de ingresos, promedio de ventas...
ys =
1
ns s
yk
ys = ns
s
yk
Note que la proporci´on, promedio y raz´on son casos particulares de
la estimaci´on de un total.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
64. Muestreo Probabil´ıstico
Conceptos B´asicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
ty =?
Promedio: Promedio de ingresos, promedio de ventas...
ys =
1
ns s
yk
ys = ns
s
yk
Note que la proporci´on, promedio y raz´on son casos particulares de
la estimaci´on de un total.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
69. Muestreo Probabil´ıstico
Conceptos B´asicos
Una vez hecha la estimaci´on la validez est´a dada por la estimaci´on
por intervalo
Definici´on
Si θ es una funci´on basada en una suma de variables aleatorias
independientes el teorema central de l´ımite permite encontrar una
expresi´on para la estimaci´on por intervalo bajo ciertas condiciones
de regularidad. En caso de que E(θ) = θ se espera con una
confiabilidad del (1 − α)100 % que:
θ ∈ θ − z1−α/2 V (θ), θ + z1−α/2 V (θ) ,
donde z1−α/2 es el percentil correspondiente en una distribuci´on
normal est´andar.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
70. Muestreo Probabil´ıstico
Conceptos B´asicos
Remark
1. Lo que se distribuye normal es el estad´ıstico y no la variable de
inter´es.
2. La distribuci´on de la variable de inter´es es invariante
independiente del tama˜no de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hip´otesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
71. Muestreo Probabil´ıstico
Conceptos B´asicos
Remark
1. Lo que se distribuye normal es el estad´ıstico y no la variable de
inter´es.
2. La distribuci´on de la variable de inter´es es invariante
independiente del tama˜no de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hip´otesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
72. Muestreo Probabil´ıstico
Conceptos B´asicos
Remark
1. Lo que se distribuye normal es el estad´ıstico y no la variable de
inter´es.
2. La distribuci´on de la variable de inter´es es invariante
independiente del tama˜no de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hip´otesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
73. Muestreo Probabil´ıstico
Conceptos B´asicos
Remark
1. Lo que se distribuye normal es el estad´ıstico y no la variable de
inter´es.
2. La distribuci´on de la variable de inter´es es invariante
independiente del tama˜no de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hip´otesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
74. Teorema Central de L´ımite
M´etodo de Monte Carlo
Ejercicio
Simule 100 muestra de tama˜no 1000 proveniente de una
distribuci´on uniforme en (0, 1). Calcule el estad´ıstico ¯ys para cada
una de las 100 muestras y realice los histogramas para
n = 5, 10, 15, 20, 25, 30, 40, 50, 60, 80, 100. Concluya.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
75. Definici´on
Sea s ⊆ U una muestra probabil´ıstica y sea S el conjunto de todas
las muestras posibles. La funci´on de medida de probabilidad:
P :S → (0, 1)
si → p(si )
Dado el conjunto S, un dise˜no de muestreo es una funci´on p(·),
tal que p(si ) es la probabilidad de que la muestra i sea la
seleccionada.
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
76. Ejemplos:
1. Muestreo Aleatorio Simple. MAS(N, n)
p(si ) =
1
(N
n)
Para toda muestra de tama˜no n de N sin repocisi´on
0 en otro caso
(1)
n corresponde al tama˜no de la muestra mientras que N
corresponde al tama˜no del universo.
Construir un espacio muestral basado en el gasto de 8 personas
con muestras de a 3 elementos
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
77. Ejemplos:
1. Muestreo Aleatorio Simple. MAS(N, n)
p(si ) =
1
(N
n)
Para toda muestra de tama˜no n de N sin repocisi´on
0 en otro caso
(1)
n corresponde al tama˜no de la muestra mientras que N
corresponde al tama˜no del universo.
Construir un espacio muestral basado en el gasto de 8 personas
con muestras de a 3 elementos
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
78. Muestreo Aleatorio Simple. MAS(N, n)
Mecanismo de selecci´on
1 Algoritmo Coordinado Negativo: Sea ξk ∼ U(0, 1) usando
el arreglo
Y : y1 y2 . . . yN
ξ: ξ1 ξ2 . . . ξN
se puede obtener una muestra de tama˜no n donde todos los
elementos y muestras tienen la misma probabilidad de ser
seleccionados. El algoritmo consiste en ordenar el marco
muestral desde el aleatorio m´as peque˜no hasta el m´as grande
y seleccionar los primeros n elementos, as´ı:
Y : yl yk . . . yj . . . yi
ξ: ξ(1) ξ(2) . . . ξ(n) . . . ξ(N)
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico
79. Muestreo Aleatorio Simple. MAS(N, n)
Mecanismo de selecci´on
2. Algoritmo Fan-Muller & Rezucha (1962): denominado
m´etodo de selecci´on rechazo...completar
Giovany Babativa, MSc. Dise˜nos de Muestreo Estad´ıstico