CAPITULO 1:
1.1
1.2
1.3
1.4
1.5
1.6
1.7
Antecedentes............................................................................................................................ 1
Objetivo General....................................................................................................................... 2
Objetivo especficos................................................................................................................. 2
Descripcin del problema........................................................................................................ 2
Justificacin.............................................................................................................................. 2
Tipo de investigacin............................................................................................................... 2
Metodologa.............................................................................................................................. 3
CAPITULO 2:
2.1
Marco terico............................................................................................................................ 4
CAPITULO 3:
3.1
3.2
CAPITULO 4:
CONCLUSIONES Y RECOMENDACIONES
--oOo--
10
CAPITULO 1:
1.1 Antecedentes
Hace ms de 60 aos la teora de muestreo era aplicada desde la
perspectiva misma de la seleccin aleatorizada de posibles muestras en
la poblacin. Dependiendo de las circunstancias, la seleccin se haca de
varias maneras: muestreo aleatorio simple, muestreo aleatorio
estratificado, muestreo de conglomerados, muestreo en dos etapas, etc.
El muestreo era considerado como la actividad primaria y la estimacin
nunca fue considerada como una prctica separada sino como una
consecuencia automtica.
As que, para la dcada de los 60?s, muchos creyeron que la
investigacin en el campo del muestreo y de la inferencia en poblaciones
finitas ya estaba muerta porque se deberan inventar nuevas formas de
seleccin de muestras (tarea difcil), ms all de las que se cubran en los
libros clsicos del muestreo. Aunque el estimador de razn fue
considerado en algn detalle por los textos de referencia, la inclusin de
varias variables de informacin auxiliar no se vio como un tpico que
prometiera rdito alguno para emprender el camino de la investigacin
en esa va.
En la dcada de los 70?s, consideraron los modelos estadsticos como los
verdaderos fundamentos de la estimacin en poblaciones finitas. Su
trabajo se ciment alrededor de la posibilidad de tener una inferencia que
dependiera estrictamente del modelo propuesto y no tuviera nada que
ver con el diseo de muestreo utilizado en la recoleccin de los datos.
Como consecuencia, la atencin se torn alrededor de la estimacin y se
dej de lado el muestreo por la relacin existente o propuesta entre la
caracterstica de inters y las variables de informacin auxiliar.
El camino que tom la historia del muestreo fue, precisamente, la
incorporacin de las dos corrientes de pensamiento bajo una sola
sombrilla. Fue posible combinar la Aleatorizacin clsica con una
percepcin ms general de la relacin de y con x. No hubo necesidad de
sacrificar los principios basados en la aleatorizacin.
-1-
los
-2-
1.7 Metodologa
La metodologa que se va emplear para esta investigacin se basa en
libros y parte desde la informacin obtenida de la materia.
-3-
CAPITULO 2:
2.1 Marco terico
Poblacin. es una lista completa de las unidades de muestreo
disponibles en la poblacin y es usado para seleccionar o es un
conjunto definido, limitado y accesible del universo que forma el
referente para la eleccin de la muestra.
Muestra. Conjunto de individuos extrados de la poblacin a partir
de algn procedimiento especfico. Los valores que obtenemos del
anlisis estadstico de la muestra se denominan estadgrafos o
estadsticos.
Probabilidad. las posibilidades que existen de que una cosa se
cumpla o suceda al azar.
Parmetro. Son las medidas o datos que se obtienen sobre la
poblacin.
Estadstico. Los datos o medidas que se obtienen sobre una
muestra y por lo tanto una estimacin de los parmetros.
Error Maestral, de estimacin o standard. Es la diferencia entre un
estadstico y su parmetro correspondiente.
Nivel de Confianza. Probabilidad de que la estimacin efectuada
se ajuste a la realidad. Cualquier informacin que queremos recoger
est distribuida segn una ley de probabilidad (Gauss o Student),
as llamamos nivel de confianza a la probabilidad de que el
intervalo construido en torno a un estadstico capte el verdadero
valor del parmetro.
Varianza Poblacional. Cuando una poblacin es ms homognea
la varianza es menor y el nmero de entrevistas necesarias para
construir un modelo reducido del universo, o de la poblacin, ser
ms pequeo. Generalmente es un valor desconocido y hay que
estimarlo a partir de datos de estudios previos.
-4-
CAPITULO 3:
3.1 Que es un muestreo y para que se realiza
Es una herramienta de la investigacin y es la tcnica para recoger una
muestra a partir de una poblacin o un sub-conjunto de esta.
3.2 Tipos de muestreo
-5-
Por ejemplo:
Se tiene 100 empleados en una compaa y se desea entrevistar una
muestra de 10 de ellos escogidos al azar.
Se coloca en una urna fichas con los nombres de cada uno, se los revuelve y
se extrae 10 pedazos al azar.
Esta tcnica funciona bien con un grupo pequeo de personas.
Se supone que hay una poblacin de 4 estudiantes en un seminario y se
quiere muestras de 2 estudiantes a la vez para entrevistarlos. En la tabla se
muestran todas las combinaciones posibles de muestras de 2 estudiantes en
un tamao de poblacin de 4, la probabilidad de cada muestra de ser
seleccionada y la de que cada estudiante est en una muestra.
Estudiantes A, B, C y D
Muestras posibles de 2 personas: AB, AC, AD, BC, BD, DC.
La probabilidad de extraer sta muestra de dos personas
debe ser:
AB= 1/6
AC= 1/6
AD= 1/6
BC= 1/6
BD= 1/6
DC= 1/6
La probabilidad de ste estudiante en la muestra debe ser:
A=
B=
C=
D=
P(A)= P(AB) +P(AC) + P(AD) =
Muestreo sistemtico
-6-
Porcentaje
Total
30
40
20
10
Muestreo de racimo
-7-
-9-
CAPITULO 4:
Conclusiones y recomendaciones
-10-