Anda di halaman 1dari 9

Ao del deber ciudadano

UNIVERSIDAD NACIONAL
DE UCAYALI

FACULTAD DE
INGENIERIA DE SISTEMAS

TRABAJO ENCARGADO
Integrantes:
Gonzles Gambini, Eysomar
Ponce Morales, Edher
Rosas Senz, Jos Manuel.
Ruiz Prez, Carlos
Torres Schelamauss, Sheila
Docente:
Ing. Romn Claros
Curso:
Estadstica II

Pucallpa Per
2006

MUESTREO PROBABILISTICO Y NO PROBABILISTICO

Muestreo probabilstico
Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente,
todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas.
Slo estos mtodos de muestreo probabilsticos nos aseguran la representatividad de
la muestra extrada y son, por tanto, los ms recomendables. Dentro de los mtodos
de muestreo probabilsticos encontramos los siguientes tipos:
El mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento
de la poblacin, y dicha probabilidad no es nula para ningn elemento.
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin
encontramos:

Muestreo aleatorio simple

Muestreo estratificado

Muestreo sistemtico

Muestreo polietpico o por conglomerados

Muestreo no probabilstico
Utilizado cuando el muestreo probabilstico resulta excesivamente costoso; no se
puede usar para generalizaciones, pues no se tiene certeza de que la muestra extrada
sea representativa, ya que no todos los sujetos de la poblacin tienen la misma
probabilidad de ser elegidos. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea representativa.
Los mtodos de muestreo no probabilsticos no garantizan la representatividad de la
muestra y por lo tanto no permiten realizar estimaciones inferenciales sobre la
poblacin.
(En algunas circunstancias los mtodos estadsticos y epidemiolgicos permiten
resolver los problemas de representatividad aun en situaciones de muestreo no
probabilstico, por ejemplo los estudios de caso-control, donde los casos no son
seleccionados aleatoriamente de la poblacin.)

Poblacin
Es la coleccin de todos los individuos, objetos y observaciones que poseen al menos
una caracterstica comn relevante al tema
La poblacin debe ser definida de acuerdo a la naturaleza y extensin del problema
estudiado, es decir, debe abarcaJr caractersticas especficas, teniendo en cuenta el
tema y que grupo esta dirigido el estudio.
Por ejemplo para el estudio de la capacidad intelectual de los alumnos de la UNU, la
naturaleza esta dada por el tema de investigacin la capacidad intelectual, y la
extensin del problema enmarca el grupo al que se aplicar el tema, es decir a los
alumnos de la UNU
Dentro de la definicin de poblacin, se pueden distinguir dos grupos:
Poblacin Finita. Aquella que tiene un numero limitado de elementos, es decir, que
puede ser enmarcada numricamente.
Poblacin Infinita. Aquella que no tiene limites (no est acotada), es decir, tiene un
nmero infinito de elementos.
Muestra
Es un subconjunto representativo de la poblacin, el objetivo es conseguir
conclusiones del tema elegido aplicado a toda la poblacin, para obtener estas
conclusiones, se aplican los clculos estadsticos a una porcin representativa de la
poblacin, que se denomina MUESTRA.
Muestreo
Se denomina as al proceso de obtener la muestra partiendo de la poblacin, este
proceso es muy importante, ya que las conclusiones a las que se lleguen despus de
analizada la muestra, son las que se aplicaran de forma general a toda la poblacin;
de ah la importancia de la correcta SELECCIN de la muestra.
El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es
determinar que parte de una realidad en estudio (poblacin o universo) debe
examinarse con la finalidad de hacer inferencias sobre dicha poblacin. El error que
se comete debido a hecho de que se obtienen conclusiones sobre cierta realidad a
partir de la observacin de slo una parte de ella, se denomina error de muestreo.
Obtener una muestra adecuada significa lograr una versin simplificada de la
poblacin, que reproduzca de algn modo sus rasgos bsicos.
3

Parmetros
Son caractersticas medibles de una poblacin para determinar su valor es necesario
utilizar la informacin de toda la poblacin, por ejemplo, la talla promedio de las
mujeres postulantes a la polica femenina en el ao 2003, es una poblacin finita, por
tanto se puede extraer de ella una caracterstica medible (el parmetro) dado por la
media de las tallas.
Tipos de muestreo
Tipos de Muestreo PROBABILISTICO

Aleatorio Simple
El procedimiento empleado es el siguiente: 1) se asigna un nmero a cada
individuo de la poblacin y 2) a travs de algn medio mecnico (bolas dentro de
una bolsa, tablas de nmeros aleatorios, nmeros aleatorios generados con una
calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario para
completar el tamao de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica
cuando la poblacin que estamos manejando es muy grande.
El muestreo aleatorio simple puede ser de dos tipos:
Sin reposicin de los elementos: cada elementos extrado se descarta para la
subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una
"poblacin" de bombillas para estimar la vida media de las bombillas que la
integran, no ser posible medir ms que una vez la bombilla seleccionada.
Con reposicin de los elementos: las observaciones se realizan con
reemplazamiento de los individuos, de forma que la poblacin es idntica en
todas las extracciones. En poblaciones muy grandes, la probabilidad de repetir
una extraccin es tan pequea que el muestreo puede considerarse sin reposicin
aunque, realmente, no lo sea.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til la
extraccin de nmeros aleatorios mediante ordenadores, calculadoras o tablas
construidas al efecto.
Ventajas

Sencillo y de fcil comprensin.


Clculo rpido de medias y varianzas.
4

Se basa en la teora estadstica, y por tanto existen paquetes informticos para


analizar los datos

Estratificado
Se utiliza cuando la poblacin no es homognea, sino que pueden identificarse en
ella clases definidas por algn atributo o caracterstica relacionada con variables
que se estudian.
Consiste en dividir la poblacin en clases o grupos homogneos relativos a las
caractersticas que van a estudiarse, llamados estratos; despus se toma una submuestra de cada estrato de una de las formas posibles (seleccin al azar de un
numero especfico de elementos a l proporcin del estrato de la poblacin total o
extrayendo en nmeros iguales los elementos de cada estrato).
El muestreo estratificado garantiza que todos los elementos de la poblacin
tengan una posibilidad de ser seleccionados, algunas veces las unidades de las
muestras de cada estrato esta relacionado inversamente con la homogeneidad de
las unidades en el estrato; mientras mas homogneo sea, menor ser la
proporcin incluida en la muestra; la razn es que cuando las unidades en un
estrato son mas homogneas, resulta suficiente una sub-muestra mas pequea par
asegurar la representatividad.
Ventajas:
Se obtiene informacin separada para cada uno de los estratos
Se evita el riesgo de que determinado estrato quede inadecuadamente
representado.

Poliettico
Se utiliza cuando la poblacin es muy heterognea. Para seleccionar una muestra
de una poblacin se va dividiendo dicha poblacin de forma sucesiva conforme
algn criterio determinado con anterioridad. De las partes que resultaron de la
primera divisin se eligen algunas por muestreo aleatorio simple. A su vez estas
partes se subdividen en otras y de ellas se vuelve a seleccionar algunas, tambin
por muestreo aleatorio simple.
Un ejemplo clsico de un muestreo polietpico resulta cuando se quiere
seleccionar una muestra de una ciudad grande; la ciudad se divide en barrios y de
ellos se eligen algunos por muestreo aleatorio simple; los barrios se dividen en
calles, y dentro de ellas se seleccionan algunas tambin por muestreo aleatorio
simple, y as sucesivamente.

Por racimo
Segn Hernndez (1988:219) "implica diferenciar entre la unidad de anlisis y la
unidad muestral." Por razones de economa de tiempo, dinero y energa y siendo
5

que a menudo las unidades de anlisis se encuentran ubicadas en determinados


lugares fsicos o geogrficos denominados racimos o unidades muestrales, se
procede a seleccionar la muestra de la siguiente manera: a) se seleccionan los
racimos segn procedimientos aleatorios simples o estratificados, b) dentro de
cada racimo se seleccionan los sujetos a ser medidos siguiendo el proceso
aleatorio simple.

Conglomerado
Se usa en poblaciones grandes y muy dispersas desde el punto de vista
geogrfico, en las cuales el muestreo aleatorio simple sera poco econmico
debido que dara lugar a muestras igualmente dispersas.
En este tipo de muestreo, en lugar de seleccionar directamente los elementos de
la poblacin se hace una seleccin unucual de grupos o conglomerados, que son
agrupaciones de elementos que deben ser lo mas heterogneo posible a diferenta
de los estratos, de suerte que cada una de ellas resulte una rplica reducida de la
pobcin, l amuestra general estformado por todas o por un submuestra de las
unidades en cda conglomerado.
Ventajas

Es muy eficiente cuando la poblacin es muy grande y dispersa.


No es preciso tener un listado de toda la poblacin, slo de las unidades
primarias de muestreo.

Tipos de Muestreo NO PROBABILISTICO

Muestreo accidental
Es un muestreo no probabilstico donde el investigador elige a aquellos
individuos que estn a mano. Por ejemplo, un periodista que va por la calle
preguntando a las personas que salen a su paso, sin atender ningn criterio
especial de eleccin. No es probabilstico porque aquellas personas que no pasan
por ese sitio no tiene la posibilidad de entrar en la muestra.

Muestreo por cuotas


Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre
la base de un buen conocimiento de los estratos de la poblacin y/o de los
individuos ms "representativos" o "adecuados" para los fines de la
investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado, pero no tiene el carcter de aleatoriedad de aqul.

Muestreo intencionado

Se basa en una buena estrategia y el buen juicio del investigador. Se puede elegir
las unidades del muestreo. Un caso frecuente es tomar elementos que se juzgan
tpicos o representativos de la poblacin, y suponer que los errores en la
seleccin se compensarn unos con otros. El problema que plantea es que sin una
comprobacin de otro tipo, no es posible saber si los casos tpicos lo son en
realidad, y tampoco se conoce como afecta a esos casos tpicos los posibles
cambios que se producen.

Muestreo por Juicio, Seleccin Experta o Seleccin Intencional


El investigador toma la muestra seleccionado los elementos que a l le parecen
representativos o tpicos de la poblacin, por lo que depende del criterio de los
investigados.

Muestreo casual o fortuito


Se usa en los casos en no es posible seleccionar los elementos, y deben sacarse
conclusiones con los elementos que esten disponibles. Por ejemplo: en el caso de
voluntarios para pruebas de medicamentos de enfermedades como el corazn,
cncer, etc.

Muestreo de poblaciones mviles


Este tipo de muestreo utiliza mtodos de captura, marca y recaptura. Se utiliza
mucho en el estudio de migracin de poblaciones de animales y otras

Muestreo opintico o intencional


Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras "representativas" mediante la inclusin en la muestra de grupos
supuestamente tpicos. Es muy frecuente su utilizacin en sondeos preelectorales
de zonas que en anteriores votaciones han marcado tendencias de voto.

Muestreo casual o incidental


Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la poblacin. El caso ms frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fcil
acceso (los profesores de universidad emplean con mucha frecuencia a sus
propios alumnos).

Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y
as hasta conseguir una muestra suficiente. Este tipo se emplea muy
7

frecuentemente cuando se hacen estudios con poblaciones "marginales",


delincuentes, sectas, determinados tipos de enfermos, etc.

Determinacin del tamao de muestra


El tamao de la muestra es el nmero de sujetos que componen la muestra extrada
de una poblacin, necesarios para que los datos obtenidos sean representativos de la
poblacin.
Objetivos de la determinacin del tamao adecuado de una muestra Estimar
un parmetro determinado con el nivel de confianza deseado.

Detectar una determinada diferencia, si realmente existe, entre los grupos de


estudio con un mnimo de garanta.
Reducir costes o aumentar la rapidez del estudio.

Por ejemplo, en un estudio de investigacin epidemiolgico la determinacin de un


tamao adecuado de la muestra tendra como objetivo su factibilidad. As:
1. Si el nmero de sujetos es insuficiente habra que modificar los criterios de
seleccin, solicitar la colaboracin de otros centros o ampliar el periodo de
reclutamiento. Los estudios con tamaos muestrales insuficientes, no son capaces
de detectar diferencias entre grupos, llegando a la conclusin errnea de que no
existe tal diferencia.
2. Si el nmero de sujetos es excesivo, el estudio se encarece desde el punto de vista
econmico y humano. Adems es poco tico al someter a ms individuos a una
intervencin que puede ser menos eficaz o incluso perjudicial.
Nivel de confianza
Es la probabilidad de que el intervalo de confianza calculado contenga al verdadero
valor del parmetro. Se indica por 1- y habitualmente se da en porcentaje (1-)
100%. Hablamos de nivel de confianza y no de probabilidad ya que una vez extrada
la muestra, el intervalo de confianza contendr al verdadero valor del parmetro o
no, lo que sabemos es que si repitisemos el proceso con muchas muestras
podramos afirmar que el (1-)% de los intervalos as construidos contendra al
verdadero valor del parmetro.
Los valores que se suelen utilizar para el nivel de confianza son el 95%, 99% y
99,9%
Ejemplos
Para un nivel de confianza del 88%,
1- = 0.88

Para un nivel de confianza del 98%,


1-=0.98
8

= 0.12
/2 = 0.06
Z / 2 = Z 0.06
P(Z Z 0.06) =0.94 (1-/2)
Z(0.94)=1.56

=0.02
/2=0.01
Z / 2 = Z 0.01
P(Z Z 0.01) =0.99 (1-/2)
Z(0.99)=2.35