9muestreo Estadístico

INTRODUCCIÓN AL ESTUDIO DEL MUESTREO
El MUESTREO es una técnica que se utiliza para seleccionar

determinado número de elementos físicos que se consideran
representativos del grupo al que pertenecen, con la finalidad de
obtener información material o conceptual y emitir conclusiones
en el marco de un trabajo de investigación. El muestreo puede
ser probabilístico y no probabilístico, claramente diferenciados
según el tamaño y el procedimiento de selección de la muestra.
Compilación: Carlos Ardón (revisión diciembre, 2017)

ENFOQUES CUANTITATIVO Y CUALITATIVO

ENFOQUE CUANTITATIVO ENFOQUE CUALITATIVO
Variables de Categorías
estudio de análisis
Cuantitativas Cualitativo-
categóricas
Medición Conteo de
casos
El dato es El dato es la El dato es la

el número frecuencia palabra
Análisis estadístico descriptivo, Análisis de contenido y
paramétrico y no paramétrico del discurso
TIPOS DE MUESTREO
Tamaño de la muestra y la selección de los elementos
Probabilístico No probabilístico
Toma en cuenta el tamaño de la población
Todos los elementos de la Se emplea el conocimiento y la
población tienen la misma opinión personal para identificar
oportunidad de ser elegidos los elementos de la población que
inferencias sobre la población

para integrar la muestra deben incluirse en la muestra
Selección Representatividad e Selección
aleatoria propositiva o
dirigida
• Aleatorio simple • Por cuotas

• Sistemático • Accidental
• Estratificado • Incidental
• Por conglomerados • Bola de nieve
Paradigma cuantitativo Paradigma cualitativo
MUESTREO INTENCIONAL (NO

PROBABILÍSTICO): ENFOQUE CUALITATIVO
La investigación cuantitativa, a través del muestreo aleatorio,
persigue la cuantificación y generalización de hechos. La
investigación cualitativa, por medio del muestreo intencional, busca
la profundización en aspectos específicos de la realidad social. Una
investigación que persigue la cuantificación y generalización de
determinados hechos sociales no puede cimentarse sobre una
muestra de carácter intencional, no importa cuán elevado sea el
tamaño de la misma. Por otra parte, una investigación que tiene
como objetivo el análisis en profundidad de un fenómeno social
concreto no debe sustentarse en una muestra seleccionada de
forma aleatoria. En este caso la selección aleatoria de la muestra no
proporcionará al investigador aquellos informantes que poseen la
mayor riqueza discursiva en torno al objeto de estudio.

El rigor científico de una investigación no está determinado por
el tipo de muestreo utilizado, sino por la aplicación de un diseño
muestral riguroso para dar respuesta a los objetivos
perseguidos. La falta de rigor en la selección de la muestra es una
deficiencia que a menudo se da, tanto en los diseños muestrales
probabilísticos como intencionales. En el muestreo probabilístico,
las principales deficiencias suelen estar relacionadas con el
carácter no aleatorio de la muestra y el insuficiente tamaño de la
misma. En el muestreo intencional, las principales fallas aparecen
ligadas a la utilización de muestras no suficientemente justificadas
en relación con los objetivos perseguidos.

El muestreo no probabilístico es el procedimiento a través del
cual el investigador realiza la selección de un reducido número
de casos, caracterizados por presentar una riqueza de
información en tomo a un fenómeno social específico, de
modo que el discurso expresado por el pequeño número de
hablantes seleccionados por el investigador debe ser
representativo del contexto social que se estudia.
En el muestreo intencional lejos de tener todos los miembros de
la población una misma probabilidad de aparecer en la muestra,
es el investigador quien decide, no únicamente qué individuos
formarán parte de la muestra, sino, también, cuál será el
tamaño de la misma.

El factor a considerar para fijar el número de casos que
compondrán la muestra es que, el tamaño o número de
elementos, permita conocer y comprender a profundidad un
fenómeno en su contexto. Además, las muestras son
desconcertantemente pequeñas para los estándares manejados
por la investigación cuantitativa. El tamaño de muestra no es
importante desde una perspectiva cualitativa, pues el interés del
investigador no es generalizar los resultados del estudio a una
población más amplia. La selección de los entrevistados se
fundamenta en el conocimiento y aptitud de éstos para
informar sobre un tema específico. El muestreo intencional es
realizado de forma deliberada, con un propósito.

El hecho de que la muestra no sea aleatoria no invalida los

resultados de la investigación cualitativa. Sin embargo, esto no
quiere decir que el investigador pueda elegir libremente, sin
ningún tipo de criterio, a los individuos que formarán parte de
la muestra. Una muestra no aleatoria debe estar justificada
según criterios de rigor científico y debe obedecer a los
objetivos de una investigación concreta.

Algunos temas investigables utilizando muestreo intencional son:
• Corpus de ideas y valores sobre la naturaleza, de agricultores
ecológicos.
• El rol de la mujer rural en la agricultura de subsistencia
• Las actitudes de los agricultores hacia el problema de la
sobreexplotación de los recursos hídricos
• Percepción de la maternidad en mujeres consumidoras de
estupefacientes.
• Violencia de pareja en jóvenes universitarios
• Prácticas agrícolas y seguridad alimentaria en altiplano
occidental guatemalteco.
• Factores que dificultan la finalización del trabajo final de grado
en la facultad de agronomía y veterinaria
TIPOLOGÍA DEL MUESTREO

NO PROBABILÍSTICO O
INTENCIONAL
ENFOQUE CUALITATIVO
Muestreo incidental
Se trata de un proceso en el que el investigador
selecciona directa e intencionadamente los individuos
por considerarlos típicos (casos tipo), extremos
(atípicos) o expertos, que tienen relación con el tema
sujeto a estudio y dispuestos a participar
voluntariamente. La muestra se basa en la selección de
individuos caracterizados por su conocimiento y aptitud
para informar sobre un tema concreto.
Ej. Estudio sobre la calidad de la educación
agropecuaria y forestal superior.
Muestreo accidental
También denominado muestreo de máxima variación. En
este tipo de muestreo, el investigador elige a aquellos
individuos que salen a su paso y que prestan colaboración
con el estudio, pero que posee potencial para opinar en
torno al tema investigado. Se utilizan en contextos amplios.
El objetivo es el estudio de una muestra heterogénea con el
objetivo de descubrir los aspectos compartidos por los
individuos Ej. Estudio sobre el problema de la inseguridad
ciudadana y la pena capital.
Muestreo en cadena
También denominado muestreo de bola de nieve. Se
localiza a algún individuo considerado informante clave, el
cual conducen a otros, y estos a otros, y así hasta
conseguir el tamaño de muestra considerada suficiente.
También el investigador puede contactar con uno o varios
informantes clave, conocedores de los miembros de la
comunidad, para servir de puente entre el investigador y
aquellos individuos que finalmente formarán parte de la
muestra. Se emplea frecuentemente en estudios, donde
la unidad de análisis son delincuentes, sectas, enfermos
con VIH, entre otros.
Muestreo por cuotas

También se le llama Muestreo estratificado intencional.
Se definen de antemano perfiles, estratos o categorías
con determinadas características y se asignan a cada
una, un determinado número de elementos que
conformarán la sub-muestra. Se utiliza en estudios de
diversos grupos sociales con características diferenciales
para facilitar la comparación entre los mismos.
Ejemplo: estudio sobre los valores medioambientales de
los agricultores, en el que se establecen tres grupos, de
acuerdo con las variables: edad, tipo de producción, tipo
de prácticas agrarias.
TAMAÑO DE LA MUESTRA EN EL
MUESTREO INTENCIONAL
El tamaño de la muestra en estudios cualitativos puede oscilar
desde uno o muy pocos entrevistados hasta la inclusión del mayor
número de hablantes limitado por razones de tiempo y recursos. Es
el propio investigador quien decide, qué individuos van a formar
parte de la muestra y también cuántos. La selección de
determinadas personas, con características específicas, se realiza
siguiendo una serie de criterios, acordes con el objeto de estudio y
los objetivos de la investigación. El investigador debe reconocer
cuándo la indagación en el objeto de estudio y objetivos
específicos perseguidos queda saturada con una muestra de un
tamaño específico.
A diferencia del muestreo probabilístico, donde cada hablante es
un elemento equivalente e intercambiable (misma probabilidad
de ser elegidos), en el muestreo intencional los discursos carecen
de esa equivalencia. Algunos de los casos analizados pueden ser
muy esclarecedores en relación con los objetivos de la
investigación, mientras otros son poco enriquecedores. Por lo
tanto, el elemento fundamental para cuantificar el volumen de
información obtenida es la calidad de los discursos de los
hablantes, no la cantidad de los mismos. Cuando el número de
discursos obtenidos permite interpretar, explicar o describir de
forma satisfactoria todas las dimensiones del hecho social objeto
de análisis, finaliza el proceso de recopilación de información.
Únicamente, cuando el material cualitativo recabado ya no
proporcione elementos nuevos para el análisis, entonces puede
concluirse que el campo de hablas ha quedado saturado, y ya no es
necesario incrementar el tamaño de la muestra. Se alcanza este
punto de saturación cuando superado un cierto número de
entrevistas ya no se descubre nada nuevo relacionado con el
problema investigado. En conclusión, la muestra está constituida
por el menor número posible de casos, que proporcione
información suficiente para desarrollar todas las diferentes
dimensiones de un fenómeno social, de acuerdo con los objetivos
de la investigación.
MUESTREO PROBALÍSTICO
El muestreo probabilístico es una técnica en virtud de la cual la
muestra es obtenida a partir de un proceso que brinda a todos
los individuos de la población, la misma oportunidad de ser
seleccionados para formar parte de la muestra, y por
consiguiente, todas las posibles muestras de tamaño n tienen la
misma probabilidad de ser seleccionadas. Los métodos de
muestreo probabilísticos brindan confiabilidad y
representatividad a la muestra extraída, por ello, se utilizan
cuando se pretende generalizar o extrapolar a la población los
resultados encontrados en la muestra.
Una muestra probabilística es el subconjunto de una
población, que manifiesta las mismas características de la
población original de donde fue extraída. Los requisitos
deseables de una muestra son: representatividad y
confiabilidad. Lo primero se consigue a través de la selección
del tipo de muestreo adecuado, en tanto que la confiabilidad
está referida al tamaño de la muestra. El objetivo es, estimar
los parámetros de la población (media, proporción o total) a
partir de los estadísticos correspondientes de la muestra. Al
proceso mediante el cual los resultados del análisis de la
muestra se pueden generalizar a toda la población se le llama
inferencia estadística.
Muestreo
Población Muestra
  Media  x
2  Varianza  s2
P  Proporción  p̂
  Total  ˆ
Parámetros Estadisti cos
Inferencia
Al procedimiento que permite obtener un valor aproximado del parámetro

de una población a partir de los datos o información empírica proporcionada
por una muestra se le llama ESTIMACIÓN. La estimación consiste en obtener
un valor concreto para el parámetro o parámetros que caracterizan a la
población con un riesgo de error medible en términos de probabilidad.
LA MUESTRA COMO SUBCONJUNTO

DE LA POBLACIÓN
Población
Población objetivo
natural N=70
Muestra
Unidad de
muestreo
n=9
DEFINICIONES
PARÁMETRO Y ESTIMADOR
  u1 , u2 , u3 ,...., u N  Conjunto de N unidades que integran la población de
estudio
Subconjunto de n unidades que forman la muestra s, seleccionada

s  u1 , u2 , u3 ,...., un  del espacio muestral Ω según un determinado procedimiento de
muestreo.
 X 1 , X 2 , X 3 ,...., X n  X es la variable de estudio medida sobre sobre cada uno de los

elementos de la población {X1, X2, . . . , XN } donde Xi representa el
valor de la característica X sobre el elemento i-ésimo de la población.
Existe interés en ciertas funciones de los elementos {X1, X2, . . . , XN } como:

N N
1
X
i 1
i
N
X
i 1
i
Un total La media
A estas funciones, dado que depende de las observaciones de la

variable de estudio en la muestra seleccionada, se les denomina
parámetros poblacionales
DEFINICIONES
PARÁMETRO
Cualquier función de las observaciones de la variable
objetivo sobre los elementos de la población se denomina
parámetro poblacional o simplemente parámetro y se
representa por θ.
A partir de los datos observados de la variable X sobre las
unidades de la muestra {X1, X2, . . . , XN }, es posible construir
funciones matemáticas que se denominan estadísticos y
sirven para estimar el valor del parámetro poblacional
desconocido.
ESTIMADOR
Una función de las observaciones de la variable objetivo sobre los
elementos de una muestra se denomina estadístico. Si con el
estadístico se intenta predecir el valor del parámetro de una
población se le llama estimador.
Se denota ˆ
CARACTERÍSTICAS DE LA POBLACIÓN QUE

PUEDEN ESTIMARSE A TRAVÉS DEL
MUESTREO
• El número de personas que sufren una enfermedad
infecciosa (total)
• Las toneladas métricas de camarón exportado a
Europa al final del año (total)
• Producción de frutos por árbol en plantaciones de
aguacate del altiplano central de Guatemala (media)
• Incidencia de una enfermedad en el cultivo de caña
de azúcar expresada en porcentaje (proporción)
• Preferencia del consumidor a determinada variedad
de melón (proporción)
• Entre otros.
RAZONES PARA MUESTREAR
• Reducir la utilización de recursos financieros,

humanos y materiales para realización de estudio
• Realizar el estudio en menor tiempo.
• Minimizar daños a la población, en los casos que
la recolección de datos conlleva destrucción de los
elementos.
DEFINICIONES
POBLACIÓN NATURAL
Es el universo que abarca la totalidad de entes que tienen
características en común. Se conoce su distribución
espacial y temporal pero generalmente se desconoce su
tamaño.
POBLACIÓN OBJETIVO
Es el universo que abarca la totalidad de entes sobre los
que o quienes se requiere obtener información. Se
obtiene de delimitar la población natural, es decir, de
establecer cuáles serán las características que deben
cumplir los entes objeto de estudio, en términos de
homogeneidad, tiempo, espacio y cantidad.
DEFINICIONES
POBLACIÓN FINITA
Población de tamaño conocido, o cuyo tamaño es posible precisar
o establecer. No existe ningún problema en delimitar la población
objetivo y elaborar un marco de muestreo.
POBLACIÓN INFINITA
Población de tamaño desconocido, o tan grande que puede
considerarse infinita (N>10,000). Población conformada por
elementos con evidente dispersión espacial y con ilimitado
número de observaciones de interés, que, prácticamente hace
imposible delimitarla y establecer el tamaño. Ejemplos:
▪ Encuestas de opinión sobre seguridad ciudadana a través de cuestionarios o
entrevistas (el número de elementos de la población es ilimitado y la
información a generar también lo es).
▪ Estudio de preferencia a una u otra característica de embalaje de un
producto comercial (se desconoce la distribución y el número de
consumidores de producto).
DEFINICIONES
MUESTRA
Es un subconjunto de entes de la población objetivo,
sobre los que o quienes recae la recolección de datos. Y
que se supone son representativos de la población.
UNIDAD DE MUESTREO
Elemento o subconjunto de elementos de la población,
no traslapados, del que se debe obtener información
para realizar el estudio. En el caso de encuestas de
opinión, una unidad muestral puede ser una persona o
un hogar.
DEFINICIONES
ELEMENTO MUESTRAL
Unidad indivisible de la que se obtiene información. Es cada una de
las entidades individuales que constituye el objeto de observación.
También recibe el nombre de unidad de análisis o unidad de
observación. El elemento muestral indica qué o quienes van a ser
observados, o sea, los casos que en última instancia se recaba
información. En ciertos casos, se seleccionan directamente
elementos de la población, es decir, que la unidades muestrales
constituyen a la vez, elementos muestrales.
MARCO DE MUESTREO
Unidad física o electrónica que sirve como referencia para identificar
o localizar la totalidad de unidades de muestreo que constituyen
una población. Puede ser:
a) Una lista depurada de personas, plantas, animales o cosas.
b) Un plano o mapa de ubicación de parcelas, hogares, plantas o
cosas.
TIPOLOGIA DEL MUESTREO

PROBABILÍSTICO
ENFOQUE CUANTITATIVO
MUESTREO ALEATORIO SIMPLE

Se utiliza en poblaciones pequeñas y de estructura
simple. Consiste en extraer de un marco de
muestreo, todos los elementos que conformarán la
muestra. Se enumeran previamente todos los
elementos y de acuerdo a un método de selección
aleatoria se van escogiendo al azar los miembros del
universo hasta completar el tamaño muestral
previsto.
• Calcular la producción de una plantación
• Preferencia de los estudiantes de primer año a los
productos de las empresas estudiantiles
MUESTREO ALEATORIO SISTEMÁTICO

Se parte de una unidad muestral elegida al azar, y se
incluye en la muestra cada enésimo miembro de la lista,
por intervalos fijos. Para calcular este enésimo miembro
de la lista el número de elementos de la población se
divide por el tamaño de la muestra (número de
individuos que la componen). El muestreo sistemático
puede emplearse cuando se requiere estimar la
incidencia de una enfermedad en un cultivo de
hortalizas. También en la estimación del número de
árboles por hectárea en un bosque. Los investigadores de
mercado y los encuestadores, quienes muestrean
personas en movimiento, frecuentemente emplean un
diseño sistemático.

Este tipo de muestreo tiene el inconveniente de que no
permite calcular con precisión el error de muestreo. Sin
embargo, en la práctica casi todos los inventarios
realizados con muestreo sistemático son analizados
utilizando las ecuaciones de muestreo simple aleatorio,
debido a que es posible introducir procedimientos
especiales que validen el cálculo del error muestreo,
por ejemplo, la selección al azar de la primera unidad
muestral, parcela o transecto.

Con la selección de las unidades muestrales
sistemáticamente, se consigue mejor cobertura
espacial, en comparación con el muestreo simple
aleatorio, lo que es interpretado como una mejor
representatividad espacial. Malleux (1982) coincide en
señalar que el muestreo sistemático generalmente da
resultados más precisos que el muestreo simple al
azar, debido a que el área es cubierta en una forma
más regular y proporcional. Además, los cálculos
generan un aproximado del máximo error de
muestreo, y no del promedio del error de muestreo
como es el caso del muestreo al azar.
En general el procedimiento es el siguiente:

• Definir una intensidad de muestreo.
• Calcular el intervalo de muestreo (k), calculado
así: k = N/n
• Seleccione aleatoriamente la primera unidad
muestral dentro del primer intervalo k, o bien,
elegirlo del universo (marco muestral)
• Luego los demás se escogen según el intervalo k
definido en el segundo paso, hasta completar el
tamaño muestral (n).
MUESTREO ALEATORIO ESTRATIFICADO

En una muestra aleatoria estratificada, la población a investigar
se divide en grupos homogéneos con relación a la característica
en estudio. Estos grupos se denominan estratos, donde la unidad
o elemento investigado presenta una característica tal, que sólo
le permite pertenecer a un estrato. Los estratos pueden o no
estar compuestos del mismo número de unidades, por tal razón
la fracción de muestreo (f=n/N) puede variar de un estrato a
otro. Un plan de estratificación es óptimo cuando se minimiza la
desviación estándar del estrato y será efectivo, dependiendo de
la estrecha relación que guarden los factores de estratificación
con las características que se investigan. La afijación de las
unidades para cada uno de los estratos puede hacerse de
manera proporcional o de acuerdo a la varianza, entre otros
métodos.

a) Se divide intencionalmente la población en grupos en función
de un atributo o particularidad y con el fin de dar
representatividad a los diferentes factores, sectores o actores.
Después se toman muestras empleando MAS de cada estrato,
ya sea proporcional o no al tamaño del estrato.
b) Los estratos (grupos) son internamente homogéneos pero
diferentes entre ellos. La selección aleatoria recae sobre los
elementos que conforman cada estrato.
c) Se utiliza cuando el atributo de estratificación puede estar
relacionado con la variable que queremos estudiar.
• Determinar el volumen total de trozas de cedro recibidas mensualmente
en un aserradero que provienen de varios proveedores.
• Determinar las causas del índice de cesantía estudiantil en una
institución educativa, según la opinión de alumnos y profesores.

CON LA ESTRATIFICACIÓN SE LOGRA:
▪ Una mayor precisión en los estimadores, a pesar de ser menor el número de
unidades seleccionadas en comparación al muestreo aleatorio simple.
▪ Garantizar la representatividad y la reducción del error de la muestra, por
agrupación de aquellos elementos que se parecen más por las característica
que se investiga, que por pertenecer a la población.
▪ Las características de la población total quedan representadas, además, los
errores de muestreo que resultan de una muestra aleatoria simple, serán
mayores que los de la muestra estatificada del mismo tamaño.
▪ Allegar información detallada para un grupo o estrato específico, ya que se
logra una muestra independiente de los demás estratos. De cada uno se
obtienen promedios y varianzas separados y mediante la ponderación, se
calcula el valor del estimador del promedio y de la varianza.
▪ Dividir la población en grupos o estratos más o menos homogéneos en
cuanto a su composición interna, pero heterogéneos si se comparan los
estratos entre sí.
MUESTREO ALEATORIO POR CONGLOMERADOS,

RACIMOS O CLUSTERS
Los métodos presentados hasta ahora están pensados para
seleccionar directamente los elementos de la población, es
decir, que las unidades muestrales son los elementos de la
población. Cuando se considera que las unidades de análisis se
encuentran encerradas en determinados lugares físicos o
geográficos denominados conglomerados, se recurre al
muestreo por racimos o clusters. Muestrear por racimos
implica diferenciar entre la unidad de análisis (elemento
muestral) y la unidad de muestreo. La unidad de muestreo (en
este tipo de muestra) se refiere al racimo por medio del cual se
logra el acceso a la unidad de análisis.

RACIMOS O CLUSTERS
Los conglomerados son grupos o agrupaciones de elementos
que existen naturalmente y no los define el investigador. Se
selecciona una muestra aleatoria no de sujetos, sino de
grupos de individuos, como familias, casas, pueblos,
escuelas, municipios, etc. Lo anterior implica que contar con
un listado de los conglomerados, y no de los sujetos de
estudio. El muestreo por conglomerados es adecuado
cuando las unidades de estudio están geográficamente
dispersas.

RACIMOS O CLUSTERS
En el muestreo por conglomerados, la unidad de muestreo es
un grupo de elementos de la población que forman una
unidad, a la que se denomina conglomerado. El muestreo por
conglomerados de una etapa consiste en seleccionar
aleatoriamente un cierto número de conglomerados (el
necesario para alcanzar el tamaño muestral establecido) y en
investigar después todos los elementos pertenecientes a los
conglomerados elegidos.

RACIMOS O CLUSTERS
Un naranjo como ejemplo de conglomerado natural,
forma un conglomerado de naranjas para la
investigación de infestación por insectos. Una parcela
en el bosque contiene un conglomerado de árboles
para la estimación de volúmenes de madera o
proporción de árboles enfermos. Cuando los
conglomerados son áreas geográficas suele hablarse
de muestreo por áreas.

RACIMOS O CLUSTERS
• Se identifican y se divide la población en conglomerados
(grupos pequeños claramente diferenciables)
• Se eligen aleatoriamente algunos de estos conglomerados y
hace un censo al interior de cada uno.
• La selección aleatoria se aplica a los conglomerados y no a los
individuos que lo conforman (cuando es de una etapa).
• En el muestreo estratificado se muestrean algunos elementos
de cada estrato formado, mientras que en el muestreo por
conglomerados se muestrean todos los elementos de algunos
los conglomerados formados .
• Determinar los metros cúbicos de leña que pueden obtenerse de una
plantación forestal dividida en parcelas pequeñas.
• Dividir el territorio nacional en segmentos (fracciones de área) para realizar
un estudio sobre producción de cultivos
MUESTREO POLIETÁPICO
El muestreo poli-etápico o multi-etápico consiste en
seleccionar las unidades de investigación en varias fases o
etapas. En el muestreo en dos etapas (bi-etápico),
habitualmente la primera etapa consiste en la aplicación de
un muestreo por conglomerados. Una vez seleccionados
los conglomerados, en cada uno de ellos se puede aplicar
un muestreo aleatorio simple, estratificado, sistemático o
un segundo muestreo por conglomerados.
MUESTREO POLIETÁPICO
Se emplea este tipo de muestreo cuando la estructura del hábitat es
compleja. Por ejemplo, en el caso que se desea estimar la densidad
poblacional de un organismo en hojas de las ramas de los árboles de las
huertas en tres etapas; el árbol sería la unidad muestral primaria, la
rama la unidad muestral secundaria y la hoja la unidad muestral
terciaria.
En el caso de un muestreo en dos etapas: Una población de insectos
que habita los frutos de una planta ocupa una superficie planteada y
esta superficie se divide en cuadrantes. La primera etapa es seleccionar
un número óptimo de estos cuadrantes denominados unidades
primarias de muestreo (etapa 1). Luego, de cada cuadrante
seleccionado, escoger una sub-muestra, los cuales puedan considerarse
varias plantas. A éstas plantas denominan las unidades segundarias de
muestreo (etapa 2).
PLANIFICACIÓN DE ESTUDIOS CON

MUESTREO
Las técnicas de muestreo son muy utilizadas actualmente en numerosos
estudios de diversa índole. Para que los resultados obtenidos sean
satisfactorios se requiere un plan de trabajo y que la implementación del
mismo que asegure que la muestra es representativa y confiable en
relación a la población que se estudia. Algunos de los aspectos importantes
a tener en cuenta en la planificación de un estudio que involucre el
muestreo, una encuesta por ejemplo, se resume a continuación:
1. Definir los objetivos
2. Determinar la población objetivo
3. Elegir el tipo de muestreo y mecanismo de selección de la muestra
4. Establecer las unidades muestrales y las unidades de muestreo
5. Elaborar los instrumentos para recolección y registro de resultados
6. Elaborar el marco de muestreo
7. Realizar un muestreo piloto (validar instrumento y obtener parámetros)
8. Calcular el tamaño de la muestra
9. Organización del trabajo de campo
10. Análisis de los datos y preparación del informe final
NÚMERO DE MUESTRAS POSIBLES

MUESTREO CON Y SIN REPOSICION
• En un muestreo con reposición o muestreo con

reemplazamiento, las unidades se extraen una a una de
la población, reemplazando la unidad seleccionada en
cualquier extracción particular antes de realizar la
siguiente extracción.
• En un muestreo sin reposición o muestreo sin

reemplazamiento, las unidades se extraen una a una de
la población, y la unidad seleccionada en cualquier
extracción no se devuelve a la población antes de
seleccionar una unidad en la siguiente extracción.
Se dice que el muestreo no tiene en cuenta el orden (o es no ordenado) si muestras
con los mismos elementos en distinto orden son distintas. Por otro lado, se dice que
el muestreo tiene en cuenta el orden (o es ordenado) si muestras con los mismos
elementos en distinto orden son iguales.

Para una población de tamaño N, el total de muestras de tamaño n

que pueden extraerse utilizando un muestreo ordenado sin
repetición, es igual a:
VN ,n  N  N  1 N  2  ...  N  n  1
N! VN ,n  n ! Cuando n = N
VN ,n  N Pn 
 N  n !

que pueden extraerse utilizando un muestreo ordenado con
VN ,n  N n


que pueden extraerse utilizando un muestreo no ordenado sin
N!
VN ,n  N Cn 
n ! N  n  !

que pueden extraerse utilizando un muestreo no ordenado con
VN ,n  Cn 
 N  n  1 !
N  n 1
n ! N  1 !
PROPIEDADES DE UN ESTIMADOR
Para cada parámetro poblacional es posible construir
numerosos estimadores. Sin embargo es deseable que estos
estimadores verifiquen una serie de propiedades.
1. Insesgado
2. Eficiente
3. Consistente
4. Suficiente
INSESGADO: Un estimador es insesgado si la media de su
distribución muestral es igual al parámetro de su población. Al
contar con varias muestras, la media de las medias se aproxima
al valor del parámetro.

E ˆ    0

E ˆ   X i Pi
E ˆ   
Si la esperanza de un estimador no es igual a cero, se dice es un

estimador sesgado del parámetro poblacional. La magnitud de este
sesgo está dado por:
 
B ˆ  E ˆ   Magnitud del sesgo

B ˆ

RB ˆ 

Sesgo Relativo
Las magnitudes que influyen en la precisión de un estimador
pueden relacionarse a partir de la descomposición del error
cuadrático medio (ECM), como una suma del cuadrado de la
desviación típica (varianza) y el cuadrado del sesgo. Un estimador
insesgado para el parámetro poblacional tiene la propiedad de que
su error cuadrático medio coincide con su varianza. En el caso de
que el estimador sea sesgado, se utiliza el error cuadrático medio
para medir la variabilidad, el cual mide la exactitud del estimador.
 
2
ECM ˆ   ˆ Estimador insesgado
  
2 2
ECM ˆ   ˆ  B ˆ Estimador sesgado

ECM ˆ    X i     P  X i  

2

Estimador sesgado
En la práctica se considera que el sesgo del estimador no es

influyente cuando:

B ˆ 1
 ˆ  10
En tal sentido, para todo estimador sesgado es necesario

calcular tanto la varianza como el error cuadrático medio. Así
se podrá conocer el grado de variabilidad y si el sesgo es
influyente o no.
EFICIENTE: El estimador más eficiente es que tiene la varianza
más pequeña. Se tiene que calcular en determinado momento
cuáles son las varianzas de cada muestra obtenida.
Dado un estimador del parámetro poblacional, se define el error
de muestreo o error de estimación del estimador como su
desviación típica, es decir, la raíz cuadrada de su varianza. La
expresión es la siguiente:

 ˆ  V ˆ    
V ˆ    X i  E ˆ   P  X i 
 
Como el resultado anterior depende de la unidad de medida de

la variable de estudio es conveniente utilizar el error relativo de
muestreo (coeficiente de variación), el cual se define así:
  ˆ
  E ˆ
CV ˆ 

El error cuadrático medio permite la introducción de la
eficiencia relativa de un estimador. En el caso de comparar la
eficiencia de dos estimadores para el mismo parámetro
poblacional, la eficiencia relativa del estimador 2 con respecto
al estimador 1 se define así:
ECM 1 
ER 
ECM  2 
Se dice que un estimador es insesgado si la esperanza del estimador es igual

al parámetro poblacional, preciso si la varianza es pequeña y exacto si el
cuadrado medio del error es pequeño. Una estimación muy sesgada puede
ser precisa, pero no será exacta; la exactitud (ECM) indica lo cerca que se
encuentra la estimación del valor real, mientras que la precisión (varianza)
mide lo cerca que están entre sí las estimaciones de varías muestras.
CONSISTENTE: Un estimador es consistente si, a medida

que el tamaño de la muestra aumenta, el valor del
estadístico se aproxima al valor del parámetro.
SUFICIENTE: Un estimador es suficiente si ningún otro

estimador puede proporcionar más información sobre el
parámetro.
Considerando una población de 15 personas se les anota el color de sus ojos:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
C A N N A A V V A V N C C C A
Donde C es el color de ojos castaños, A color de ojos azules, N, color de ojos
negros y V el color de ojos verdes.
Para realizar la estimación del total y la proporción de personas que tienen
los ojos verdes (V), se seleccionan 3 muestras de tamaño 5 utilizando un
muestreo sistemático. Si todas las muestras son equiprobables, obtener la
distribución de probabilidad de los estimadores.
Calcular la esperanza, los errores de estimación, los errores relativos de
estimación y el error cuadrático medio de los estimadores de proporción y
total. Comprobar la relación existente entre el error cuadrático medio, la
varianza y el sesgo para los estimadores de proporción y total. Los resultados
obtenidos de las tres muestras son:
(u1,u4,u7,u10, u13)
(u2,u5,u8,u11, u14)
(u3,u6,u9,u12, u15)
DISTRIBUCIÓN MUESTRAL DEL

ESTIMADOR
Las estimaciones basadas en observaciones muestrales
difieren de muestra a muestra y también del valor del
parámetro poblacional. El estimador, por lo tanto, es una
variable aleatoria.
Dada una población y un procedimiento de muestreo,
fijado el tamaño muestral, el conjunto de valores posibles
de un estimador con su probabilidad de ocurrencia se
denomina DISTRIBUCIÓN MUESTRAL DEL ESTIMADOR. La
mayor parte de los resultados en muestreo se basan en la
distribución de muestreo del estimador. Una distribución
de muestreo es ejemplo de distribución de probabilidad
discreta.
DISTRIBUCIÓN MUESTRAL
Una distribución muestral es una distribución de probabilidad de

un estadístico muestral calculado a partir de todas la muestras
posibles de tamaño n, elegidas al azar en una población
determinada. Para construirla se extraen todas las muestras
posibles de tamaño n, se calcula el estadístico de interés para
cada muestra y se elabora una gráfica.
Lo que interesa en una distribución muestral es conocer la forma
general o representación gráfica, su media y su desviación
estándar. Cuando esos datos son conocidos es posible calcular la
probabilidad de obtener un valor para la media o de una
proporción calculado a partir de una muestra de la población.
DISTRIBUCIÓN MUESTRAL: EJEMPLO

Para medir la variable X nivel de precipitación atmosférica en una
determinada región se dispone de un marco de 4 zonas
climáticas de la misma cuyos niveles de precipitación actual son
de 6, 4, 3, y 8 decenas de litros por metro cuadrado. Se trata de
estimar en decenas de litros por metro cuadrado el nivel actual
medio de precipitación atmosférica en la región extrayendo
muestras de tamaño 2 sin reposición y sin tener en cuenta el
orden de colocación de sus elementos utilizando el estimador
media aritmética de la muestra. Se supone que todas las zonas
climáticas tienen la misma probabilidad de ser seleccionadas.
Especificar las estimaciones correspondientes para cada muestra
y la distribución muestral del estimador (Castro, 2008).
EJEMPLO 1
• La población tiene 4 unidades Ω = {u1, u2, u3, u4} cada una de las regiones
• Denotamos por X la variable “nivel de precipitación” y sea Xi el valor que
toma la variable X sobre la unidad ui con i = 1, 2, 3, 4.
• El procedimiento de muestreo considerado consiste en extraer muestras
de tamaño 2 sin reposición y sin tener en cuenta el orden de los
elementos.
  u1 , u2 , u3 , u4    6, 4,3,8
4 C2  6
S   u1 , u2  ,  u1 , u3  ,  u1 , u4  ,  u2 , u3  ,  u2 , u4  ,  u3 , u4 
S   6, 4  ,  6,3 ,  6,8  ,  4,3  ,  4,8  ,  3,8 
1
P s  s  S
6
EJEMPLO 1
El parámetro poblacional está dado por:
1 4 6  4  3  8 21
X   Xi X   5.25
4 i 1 4 4
Para estimar el parámetro poblacional se considera el

estimador media muestral:
ˆ 1 2
X   Xi
2 i 1
Y dado que el espacio muestral es S:
S   6, 4  ,  6,3 ,  6,8  ,  4,3  ,  4,8  ,  3,8 
Entonces los valores para el estimador de la media en las

distintas muestras son:
68 43 48 38
Xˆ 1 
64
5 Xˆ 2 
63
 4.5 Xˆ 3  7 Xˆ 4   3.5 Xˆ  6 Xˆ   5.5
2 2 2 2 2 2
EJEMPLO 1
Los valores que toma este estimador sobre cada una de las muestras se
representa en la siguiente tabla
S P(s) X(s) est imada
(u1,u2) 1/6 (6,4) 5.0
(u1,u3) 1/6 (6,3) 4.5
(u1,u4) 1/6 (6,8) 7.0
(u2,u3) 1/6 (4,3) 3.5
(u2,u4) 1/6 (4,8) 6.0
(u3,u4) 1/6 (3,8) 5.5
Gráfico de distribución de probabilidad para el estimador de la media

poblacional:
0.18
0.16
0.14
0.12
Probabilidad
0.10
0.08
0.06
0.04
0.02
0.00
5.0 4.5 7.0 3.5 6.0 5.5
Media estimada
DISTRIBUCIÓN MUESTRAL: PRECISIÓN E

INTERVALO DE CONFIANZA
Tal y como se observó en el ejemplo anterior, cada muestra que
es posible extraer de la población tiene una probabilidad de ser
elegida y la suma de las probabilidades de las posibles muestras
es igual a la unidad. En la práctica, nunca se enumeran todas las
muestras posibles ni se calcula la probabilidad con la que se
puede elegir cada una, esto llevaría mucho tiempo. Con el
muestreo probabilístico se garantiza que cada elemento que
conforma la población pueda aparecer en la muestra y
proporciona información útil para evaluar la precisión del
estadístico calculado a partir de la muestra.

Es posible calcular que tan probable es que la muestra sea ''buena”.
No es posible garantizar que una muestra probabilística sea
representativa de la población con respecto a la característica de
interés, pero se puede cuantificar la frecuencia con que las muestras
cumplirán cierto criterio de representatividad. El concepto es el
mismo que el en los intervalos de confianza, no se sabe si el intervalo
de confianza al 95% que ha sido construido para la media contiene el
valor real de esta última. Sin embargo, sabemos que si se repite el
procedimiento una y otra vez, se puede esperar que en el 95% de los
casos, los intervalos de confianza resultantes contengan el valor
verdadero de la media.

Para ilustrar estos conceptos, se analizarán los ingresos (en miles de
quetzales) de una población conformada por 8 empleados de una
empresa. Extraer todas las posibles muestras de tamaño 4 sin
importar el orden y sin reemplazo. Para cada una de posibles
muestras estimar el total de ingresos y el intervalo de confianza
utilizando ±4 desviaciones estándar. Elaborar la distribución
muestral del estimador y obtener una aproximación del nivel de
confianza. El conjunto de índices (ui) y los valores para la variable
ingreso (yi) son:
i 1 2 3 4 5 6 7 8
yi 1 2 4 4 7 7 7 8
C4  70 1 2  4  4  7  7  7  8
8  5
1 8
P s  s  S
70   N    5  8  40

La varianza de la población 2 se estima mediante la varianza de la
muestra, siendo este un estimador sesgado:
1 n
  1  n 2 ˆ2 
2
sˆ 
2

n  1 i 1
Yi  Yˆ sˆ 
2
i
n  1  i 1
Y  nY 

Por lo general, para el cálculo del intervalo de confianza se requiere

la desviación estándar (s):
1  n 2 ˆ2 
sˆ  i
n  1  i 1
Y  nY 

Si N es el tamaño de la población y se utiliza el promedio del ingreso

en la muestra elegida, la estimación para el total de ingresos es:
ˆs  N  YS

Intervalos de confianza para todas las muestras posibles en una
población pequeña.
M Índices muestra S Media Total sS IC(S ) y(s) P
1 1 2 3 4 1 2 4 4 2.75 22 1.50 16.00 - 28.00 0 0.0000 26 1 4 5 6 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 51 2 4 7 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143
2 1 2 3 5 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 27 1 4 5 7 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 52 2 5 6 7 2 7 7 7 5.75 46 2.50 36.00 - 56.00 1 0.0143
3 1 2 3 6 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 28 1 4 5 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 53 2 5 6 8 2 7 7 8 6.00 48 2.71 37.17 - 58.83 1 0.0143
4 1 2 3 7 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 29 1 4 6 7 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 54 2 5 7 8 2 7 7 8 6.00 48 2.71 37.17 - 58.83 1 0.0143
5 1 2 3 8 1 2 4 8 3.75 30 3.10 17.62 - 42.38 1 0.0143 30 1 4 6 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 55 2 6 7 8 2 7 7 8 6.00 48 2.71 37.17 - 58.83 1 0.0143
6 1 2 4 5 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 31 1 4 7 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 56 3 4 5 6 4 4 7 7 5.50 44 1.73 37.07 - 50.93 1 0.0143
7 1 2 4 6 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 32 1 5 6 7 1 7 7 7 5.50 44 3.00 32.00 - 56.00 1 0.0143 57 3 4 5 7 4 4 7 7 5.50 44 1.73 37.07 - 50.93 1 0.0143
8 1 2 4 7 1 2 4 7 3.50 28 2.65 17.42 - 38.58 0 0.0000 33 1 5 6 8 1 7 7 8 5.75 46 3.20 33.19 - 58.81 1 0.0143 58 3 4 5 8 4 4 7 8 5.75 46 2.06 37.75 - 54.25 1 0.0143
9 1 2 4 8 1 2 4 8 3.75 30 3.10 17.62 - 42.38 1 0.0143 34 1 5 7 8 1 7 7 8 5.75 46 3.20 33.19 - 58.81 1 0.0143 59 3 4 6 7 4 4 7 7 5.50 44 1.73 37.07 - 50.93 1 0.0143
10 1 2 5 6 1 2 7 7 4.25 34 3.20 21.19 - 46.81 1 0.0143 35 1 6 7 8 1 7 7 8 5.75 46 3.20 33.19 - 58.81 1 0.0143 60 3 4 6 8 4 4 7 8 5.75 46 2.06 37.75 - 54.25 1 0.0143
11 1 2 5 7 1 2 7 7 4.25 34 3.20 21.19 - 46.81 1 0.0143 36 2 3 4 5 2 4 4 7 4.25 34 2.06 25.75 - 42.25 1 0.0143 61 3 4 7 8 4 4 7 8 5.75 46 2.06 37.75 - 54.25 1 0.0143
12 1 2 5 8 1 2 7 8 4.50 36 3.51 21.95 - 50.05 1 0.0143 37 2 3 4 6 2 4 4 7 4.25 34 2.06 25.75 - 42.25 1 0.0143 62 3 5 6 7 4 7 7 7 6.25 50 1.50 44.00 - 56.00 0 0.0000
13 1 2 6 7 1 2 7 7 4.25 34 3.20 21.19 - 46.81 1 0.0143 38 2 3 4 7 2 4 4 7 4.25 34 2.06 25.75 - 42.25 1 0.0143 63 3 5 6 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
14 1 2 6 8 1 2 7 8 4.50 36 3.51 21.95 - 50.05 1 0.0143 39 2 3 4 8 2 4 4 8 4.50 36 2.52 25.93 - 46.07 1 0.0143 64 3 5 7 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
15 1 2 7 8 1 2 7 8 4.50 36 3.51 21.95 - 50.05 1 0.0143 40 2 3 5 6 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143 65 3 6 7 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
16 1 3 4 5 1 4 4 7 4.00 32 2.45 22.20 - 41.80 1 0.0143 41 2 3 5 7 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143 66 4 5 6 7 4 7 7 7 6.25 50 1.50 44.00 - 56.00 0 0.0000
17 1 3 4 6 1 4 4 7 4.00 32 2.45 22.20 - 41.80 1 0.0143 42 2 3 5 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143 67 4 5 6 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
18 1 3 4 7 1 4 4 7 4.00 32 2.45 22.20 - 41.80 1 0.0143 43 2 3 6 7 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143 68 4 5 7 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
19 1 3 4 8 1 4 4 8 4.25 34 2.87 22.51 - 45.49 1 0.0143 44 2 3 6 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143 69 4 6 7 8 4 7 7 8 6.50 52 1.73 45.07 - 58.93 0 0.0000
20 1 3 5 6 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 45 2 3 7 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143 70 5 6 7 8 7 7 7 8 7.25 58 0.50 56.00 - 60.00 0 0.0000
21 1 3 5 7 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 46 2 4 5 6 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143 Nivel de confianza 0.7714
22 1 3 5 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 47 2 4 5 7 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143
23 1 3 6 7 1 4 7 7 4.75 38 2.87 26.51 - 49.49 1 0.0143 48 2 4 5 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143
Nivel de confianza   pS  y  S 
24 1 3 6 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 49 2 4 6 7 2 4 7 7 5.00 40 2.45 30.20 - 49.80 1 0.0143
25 1 3 7 8 1 4 7 8 5.00 40 3.16 27.35 - 52.65 1 0.0143 50 2 4 6 8 2 4 7 8 5.25 42 2.75 30.98 - 53.02 1 0.0143
54 de las 70 muestras posibles tienen un IC que contiene al 54

Nivel de confianza   0.77
parámetro poblacional (=40) 70

Cada intervalo de confianza contiene o no a 40, el total de la
población. De esa cuenta, el nivel de confianza es 0.77. Esto
significa que al extraer una muestra aleatoria simple de cuatro
elementos sin reemplazo de una población de 8 elementos, hay
77% de posibilidades de que esa muestra en particular sea una de
las “buenas” cuyo intervalo de confianza contenga el valor
verdadero, es decir, 40. Por supuesto, en la vida real, sólo se extrae
una muestra y no se conoce el valor del parámetro poblacional.
Ello implica que no es posible saber si la muestra obtenida es de
las “buenas” o de las “malas”. El nivel de confianza es tan solo es
una afirmación de probabilidad acerca de la frecuencia con la que
se espera estar en lo correcto al establecer un intervalo de
confianza para el parámetro poblacional.

La probabilidad de obtener un determinado valor para la
estimación del ingreso total según el resultado obtenido en
todas y cada una de las posibles muestras se presentan a
continuación. Por ejemplo, para 4 de las muestras: {3,4,5,6},
{3,4,5,7}, {3,4,6,7} y {1,5,6,7}, la estimación del total es 44, por
ello probabilidad es 4/70.
ˆ 22 28 30 32 34 36 38 40 42 44 46 48 50 52 58
p ˆ  1 7 6 70 2 70 3 70 7 70 4 70 6 70 12
70
6
70
4
70
7
70
3
70
2
70
6
70
1
70

ˆ 22 28 30 32 34 36 38 40 42 44 46 48 50 52 58
p ˆ  1 7 6 70 2 70 3 70 7 70 4 70 6 70 12
70
6
70
4
70
7
70
3
70
2
70
6
70
1
70
Distribución muestral para el estimador del total de ingresos
0.18
0.16
0.14
0.12
Probabilidad
0.10
0.08
0.06
0.04
0.02
0.00
22 28 30 32 34 36 38 40 42 44 46 48 50 52 58
Total estimado
DISTRIBUCIÓN MUESTRAL: TEOREMA

DEL LÍMITE CENTRAL
El teorema central del límite o teorema del límite central es
uno de conceptos más importantes de la estadística
inferencial, el cual establece que:
Cuando el tamaño de las muestras se hace grande, la
distribución de las medias de las muestras configura una
distribución normal con una media igual a la de la
población y menor error estándar equivalente a /n,
independiente de la forma funcional de la población.
Empíricamente se afirma que, en la mayoría de las
situaciones prácticas resulta satisfactorio un tamaño de la
muestra de al menos 30 datos.
TEOREMA CENTRAL DEL LÍMITE (TCL)
  
xk N   ,   x   y x 
 n  n

Estandarización SE 
n
x 
z N  0,1

n
DISTRIBUCIÓN MUESTRAL:
POBLACIONES INFINITAS
Si una muestra aleatoria de tamaño n lo suficientemente grande
con media es obtenida de una población distribuida
normalmente o no, con media () y desviación estándar finita
(), entonces la distribución muestral correspondiente es una
distribución normal. La variable tipificada en una distribución de
medias muestrales es:
x 
z

n
Donde z es el valor crítico para una probabilidad en la cola
superior de α/2 de una distribución normal estándar, con media
igual a 0 y desviación estándar igual a 1. De la expresión anterior
se obtiene que:
 
z1   x   z1  d
2 n 2 n
El valor z es positivo o negativo, según sea mayor o menor que
. La diferencia entre la media muestral y la media poblacional,
denotada con d, se conoce con el nombre de error de
estimación, error de muestreo o precisión.
De esa cuenta, el error máximo que se puede tolerar (d) en la

estimación de una media poblacional o cualquier otro parámetro,
cuando se conoce la desviación poblacional y la población es
infinita depende:
▪ Del nivel de confianza fijado para estimar la media poblacional
▪ De la desviación estándar poblacional
▪ Del tamaño muestral
El intervalo correspondiente para un nivel de confianza 1α de
en una muestra lo suficientemente grande para la media de la
población es:
 
x  z1  , x  z1 
2 n 2 n
Con un nivel de significancia de 5%, el 95% de las posibles muestras

que pueden elegirse tendrán un intervalo de confianza al 95% de
que contiene al valor verdadero de la media poblacional.
Por lo general,  no se conoce, de modo que en las muestras
grandes se utiliza s en vez de .
 
x  z1  , x  z1 
2 n 2 n
s s
x  z1  , x  z1 
2 n 2 n
La expresión s/n es un estimador insesgado de la desviación

estándar de la media muestral, el cual se denota con SD o EE.
x  z1 EEx , x  z1 EEx

2 2
TAMAÑO DE LA MUESTRA EN EL MUESTREO

PROBABILÍSTICO
En un diseño metodológico cuantitativo el tamaño de la

muestra es una relación directa del nivel de confianza deseado
para la estimación, y del error de muestreo aceptado. El tamaño
de la muestra se relaciona de manera inversa respecto al error
de estimación (d), y de manera directa con relación al nivel de
confianza (1). Es decir, cuanto mayor es el error de muestreo
menor es el tamaño de la muestra, y, por el contrario, cuanto
mayor es el nivel de confianza, mayor es el tamaño de la
muestra.
ASPECTOS RELACIONADOS AL TAMAÑO

DE LA MUESTRA
Al realizar un estudio a través de muestreo, el

investigador debe:
• Fijar el error de estimación o precisión.

• Establecer el nivel de confianza o confiabilidad.
• Conocer desviación estándar poblacional o la
proporción de ocurrencia de la variable de
estudio.
ERROR DE MUESTREO
El error de muestreo aparece como consecuencia de la utilización
de una parte de la población para estimar características de todo
el conjunto poblacional. En general, a medida que aumenta el
tamaño de la muestra disminuye el error de muestreo, aunque
también influyen en él las características del diseño y la naturaleza
de la variable investigada. No obstante, también puede registrarse
un error que no tiene que ver con el hecho de seleccionar una
muestra de la población. Puede ser consecuencia de las
imperfecciones en su ejecución, es decir, debido al sesgo en la
selección, por falta de respuesta o errores de medición.
ERROR DE ESTIMACIÓN O PRECISIÓN
Es alejamiento máximo que el investigador está dispuesto

a permitir entre el valor de estadístico estimado y el valor
del parámetro de una población, expresado en número
de unidades de la variable en estudio o en porcentaje
respecto la media poblacional. Se utiliza para definir los
límites inferior y superior del intervalo de confianza
dentro del cual se espera que varíe el valor del estadístico
debido a error de muestreo, y entre los cuales se
presume estará el valor del parámetro. Se simboliza d, o
bien, .
ERROR DE ESTIMACIÓN O PRECISIÓN (d):

POBLACIÓN INFINITA
IC  x  Z  SE d
Z: número de desviaciones estándar al que se ubica el valor de un

estadístico respecto a una función de distribución normal estándar,
cuando el área bajo la curva, probabilidad o nivel de confianza es .
Error estándar o error típico (SE): es la desviación estándar de las
medias muestrales del estimador.

SE  x   SE  x  
pq
n n
Para una media Para una proporción

POBLACIÓN FINITA
N n
IC  x  Z  SE  d
N
N n
FCF 
N
Donde FCF es el factor de corrección por finitud
Cuando la desviación estándar muestral (s) es una estimación de la desviación
estándar poblacional σ, el intervalo de estimación para μ dada una muestra
pequeña de tamaño n se calcula utilizando la distribución t de Student.
ERROR DE ESTIMACIÓN O PRECISIÓN

La varianza de la población , que depende de los valores para toda
la población, es desconocida. Se estima mediante la varianza de la
muestra:
 
1  n 2 ˆ2
1 n
 i
2
 X i  Xˆ sˆ  
2
sˆ 
n  1  i 1 
2 X nX
n  1 i 1 
Un estimador insesgado de la varianza de la media muestral es:
 N n s
2
Vˆ  x    
 N n
Por lo general, no se reporta la varianza estimada de la media, sino
su raíz cuadrada, el error estándar (EE):
 N n s
2
SE  x    
 N n

POBLACIÓN FINITA
Para una muestra de tamaño n y una población de tamaño N, la
fracción de muestreo es f (probabilidad que tiene cualquier unidad
de la población de pertenecer a la muestra), y el factor de corrección
por finitud son:
n N n Para la media
FCF  1  f  1   y el total
N N
N n
N  N n N N  N  n N n Para
FCF     
N 1  N  N 1 N  N  1 N 1 proporción
N
El FCF es un ajuste que se hace a la varianza cuando la población es finita, el cual
disminuye el error estándar (desvío del estimador) cuando el tamaño de la muestra
es grande con respecto al tamaño de la población. En la mayor parte de casos, la
corrección para las poblaciones finitas es tan cercana a 1 que puede ser ignorada. No
obstante, se utilizará en todos los casos que la población sea finita.
NIVEL DE CONFIANZA O CONFIABILIDAD

Es el grado de seguridad que se tiene en elegir una muestra
representativa de la población que permitirá establecer un intervalo de
confianza en el que se ubica el valor real de un parámetro. Constituye
una probabilidad y se mide en términos de unidades de desviación
estándar Z de una distribución normal estándar. Los niveles de confianza
frecuentemente utilizados en muestreo son: 90%, 95% y 99%, los cuales
equivalen a 1.65, 1.96 y 2.58 unidades Z, respectivamente.
INTERPRETACIÓN DEL ERROR DE ESTIMACIÓN

(PRECISIÓN) Y CONFIABILIDAD
Por ejemplo, si en un muestreo de suelos para análisis de fertilidad se
fijan una precisión de 20% y 95% de confianza, significa que para una
media muestral de 18 ppm de fósforo (P), el intervalo de confianza
estimado que contiene al parámetro poblacional con un 95% de
confiabilidad es:
d  Z1 2  SE
14.4    21.6
d
SE 
Z1 2
Li  18  3.6 Ls  18  3.6
3.6
d  18  0.2  3.6 SE   1.84
1.96
Con una precisión de 3.6 ppm, la desviación estándar de la media

muestral (error estándar o típico “SE”) resulta ser de 1.84 ppm.
INTERPRETACIÓN DEL ERROR DE ESTIMACIÓN

(PRECISIÓN) Y CONFIABILIDAD
La precisión y la confiabilidad están relacionadas de manera que si se
muestrea con una precisión de 12% y 90% de confiabilidad, el valor de la
variable de estudio (estadístico o estimador) en 90 de cada 100 muestras
posibles debería estar en ±12% del valor muestral, intervalo dentro del
cual se espera esté incluido el valor que corresponde a la población (del
parámetro). Sin embargo, al hacer un muestreo, puede darse la
posibilidad de tomar una muestra desafortunada, es decir, una muestra
no representativa de la población.
La confiabilidad o nivel de confianza se entiende como la probabilidad
de que la precisión se cumpla, o sea, de obtener una muestra
representativa al realizar el muestreo. La confiabilidad indica el grado de
confianza que se tendrá, de que el valor verdadero del parámetro en la
población se encuentre entre límite inferior y superior del intervalo de
confianza calculado a partir de muestra seleccionada.
CÓMO FIJAR LA PRECISIÓN DEL MUESTREO
• La precisión asumida en un estudio de muestreo puede

establecerse a partir de antecedentes bibliográficos,
referidos a poblaciones, unidades y variables de análisis
similares.
• A criterio del investigador, al fijar la magnitud del error que

está dispuesto a tolerar en la estimación del parámetro
poblacional, tomando en cuenta los objetivos del estudio,
el alcance y la utilidad de los resultados. Regularmente
suele ser de 3% o 4%, aunque puede ser hasta 10%.
DEBE CONOCERSE DE ANTEMANO, LA DESVIACIÓN

ESTÁNDAR POBLACIONAL
Según Anderson y Sweeney (2008), el uso de fórmulas para calcular el
tamaño de la muestra requiere contar con el valor de la desviación
estándar poblacional σ. Sin embargo, en la práctica suele utilizarse
alguno de los procedimientos siguientes para obtener un valor
planeado de σ.
• Usar como valor planeado de σ una estimación de la desviación estándar
poblacional calculada a partir de datos de estudios anteriores.
• Emplear un estudio piloto seleccionando una muestra preliminar. La
desviación estándar muestral obtenida de la muestra preliminar puede
usarse como valor planeado de σ.
• Asignar la máxima probabilidad con que se puede presentar la variable en
cuestión, que en proporciones es 50% y en el caso de la media se determina
la diferencia entre el máximo y el mínimo esperados, se divide entre cuatro
y con ello se obtiene una aproximación del valor de la desviación estándar
que puede tomarse como un valor planeado aceptable de σ.
TAMAÑO DE LA PREMUESTRA O
MUESTRA PRELIMINAR
Se acostumbra realizar una premuestra (muestra piloto o
preliminar) de la población a muestrear cuando se desconoce la
desviación estándar, tomando en cuenta las siguientes
consideraciones:
• Para poblaciones infinitas, el tamaño de la muestra preliminar

tiene que ser necesariamente mayor o igual a 30.
• Al utilizar fórmulas basadas en la distribución Z, el tamaño de la
muestra preliminar también debe ser mayor a 30.
• En términos generales y dependiendo del tamaño de la
población, el tamaño de la premuestra puede ser hasta el 20% de
la población.
ASPECTOS A CONSIDERAR PARA CALCULAR

EL TAMAÑO DE LA MUESTRA
• Naturaleza de la población, si es finita (tamaño conocido) o infinita

(tamaño desconocido)
• Tamaño de la premuestra y de la población finita, si es mayor a 30 o
menor a 30.
• El parámetro a estimar: la media, proporción o un total
• El tipo de muestreo: aleatorio simple, sistemático, estratificado o por
conglomerados.
• El alcance del estudio (descriptivo, correlacional o explicativo), la
cantidad de muestras a contrastar y el tipo de prueba de hipótesis a
realizar.
CÁLCULO DEL TAMAÑO DE LA MUESTRA EN EL

MUESTREO ALEATORIO SIMPLE
La fórmula para calcular el tamaño de una muestra se deriva de

aquella que se utiliza para definir el error de estimación. A
continuación se presentan las que se utilizan en el muestreo
aleatorio simple (MAS).
En las siguientes fórmulas tomar en cuenta que la expresión Z1-/2

indica el valor Z de una distribución normal estándar acumulada,
que corresponde a un nivel de confianza cuando el nivel de
significancia es . Si la probabilidad no es acumulada se omite el
divisor 2.
PARA ESTIMAR LA MEDIA DE UNA POBLACIÓN

INFINITA DONDE SE DESCONOCE SU TAMAÑO
Error de estimación Tamaño de la muestra

  Z1  
2
d  Z1 2
n
Despejando
n 2

 d 
DONDE:
n= tamaño de la muestra.
d= error de estimación, de muestreo o precisión ( ó E), expresado en
número de unidades de la variable de estudio
Z 1-/2: número de deviaciones estándar (Z) cuando la probabilidad o área
bajo la curva acumulada equivale una confiabilidad =1-/2, en una
curva de distribución normal estándar.
=desviación estándar poblacional o premuestra

FINITA DONDE SE CONOCE SU TAMAÑO
 N n N  2 Z12 2
d  Z1 2 Despejando n
n N N d 2   2 Z12 2
DONDE:
N= tamaño de la población
n= tamaño de la muestra
d= error de estimación, error de muestreo o precisión ( ó E), expresado
en unidades de la variable de estudio.
bajo la curva acumulada equivale una confiabilidad =1-/2, en la
función de distribución normal estándar.
=desviación estándar poblacional o premuestra

Equivalente a la anterior. Se calcula el tamaño de la muestra
suponiendo población infinita (disponible en InfoStat) y luego
se aplica el factor de corrección por finitud.
Z12 2  2
n' 
d2
Se calcula n’ (si la población es infinita) y luego se corrige ese
valor utilizando el tamaño de la población (N) y el valor k.
También puede hacerse directamente utilizando n1 (n1=no=n’):
1
k n1
1
n' n
n
N 1 1
N
n  n'k
PARA ESTIMAR LA MEDIA DE UNA POBLACIÓN FINITA,

CUANDO LA VARIANZA ES DESCONOCIDA
En términos prácticos, se utiliza cuando la varianza se obtiene de una
muestra preliminar cuyo tamaño es menor a 30 datos (n<30), o bien,
cuando el tamaño de la población es menor a ese valor (N<30)
N s 2 t22 ,n 1
n
N d 2  s 2 t22 ,n 1
DONDE:
d= error de estimación, error de muestreo o precisión ( ó E), expresado
en número de unidades de la variable de estudio.
t /2,n-1: número de deviaciones estándar (t) cuando la probabilidad o área
bajo la curva equivale a una confiabilidad = /2 y n-1 grados de libertad,
en la función de distribución t de Student. La variable n en n-1, es el
tamaño de la premuestra
s=desviación estándar de la premuestra
PARA ESTIMAR LA MEDIA DE UNA POBLACIÓN FINITA,

CUANDO LA VARIANZA ES DESCONOCIDA
Equivalente a la anterior. Se calcula el tamaño de la muestra suponiendo
población infinita y luego se aplica el factor de corrección por finitud.
t22 ,n 1 s 2
n' 
d2
Se calcula n’ (si la población es infinita) y luego se corrige ese valor
utilizando el tamaño de la población (N) y el valor k. También puede
hacerse directamente utilizando n1 (n1=no=n’):
1 n1
k n
n' n1
1 1
N N
n  n'k
PARA ESTIMAR TOTALES EN UNA

POBLACIÓN FINITA
s N n N 2   2  Z 21 /2
d  Z 1 /2 N   n
n N Despejando 
d 2  N  Z 21 /2   2 
DONDE:
d= error de estimación, error de muestreo o precisión ( ó E)
: nivel de significancia
bajo la curva acumulada equivale una confiabilidad =1-/2, en la
función de distribución normal estándar.
=desviación estándar poblacional (regularmente de la premuestra)
PARA ESTIMAR PROPORCIÓN O PORCENTAJE DE

UNA POBLACIÓN INFINITA
pq Z12 2 pq
d  Z1  Despejando n
2 n d2
DONDE:
d= error de estimación o precisión ( ó E), expresado en fracción porcentual
Z 1-/2: número de deviaciones estándar (Z) cuando la probabilidad o área bajo la
curva acumulada equivale una confiabilidad =1-/2, en la función de distribución
normal estándar.
p=proporción de ocurrencia de la característica de la población bajo análisis o
probabilidad de éxito.
q=proporción de no ocurrencia o probabilidad de fracaso.
Note que el producto pq es un indicativo de la varianza.
PARA ESTIMAR PROPORCIÓN O PORCENTAJE DE

UNA POBLACIÓN FINITA
pq N  n N Z12 2 p q
d  Z1   Despejando n
2 n N Nd 2  Z12 2 p q
DONDE:
d= error de estimación o precisión ( ó E), expresado en fracción porcentual
Z 1-/2: número de deviaciones estándar (Z) cuando la probabilidad o área bajo la
curva acumulada equivale una confiabilidad =1-/2, en la función de distribución
normal estándar.
p=proporción de ocurrencia de la característica de la población bajo análisis o
probabilidad de éxito.
q=proporción de no ocurrencia o probabilidad de fracaso.
Note que el producto pq es un indicativo de la varianza.
PARA ESTIMAR PROPORCIÓN O PORCENTAJE

Para estimar proporción o porcentaje de una población
FINITA combinando las dos fórmulas anteriores. Se calcula el
tamaño de la muestra suponiendo población infinita y luego
se aplica el factor de corrección por finitud, utilizando
cualquiera de las dos opciones siguientes: (n1=no=n’):
Z12 2 p q Z12 2 p q
n'  n1 
d 2
d2
1
k n1
1
n' n
n1
N 1
N
n  n'k
PARA ESTIMAR PROPORCIÓN O PORCENTAJE

Para una población FINITA, cuando la proporción de
ocurrencia de la característica de interés se obtiene a partir
de una muestra preliminar de tamaño n<30 o N<30.
N t22 ,n 1 p q
n
Nd 2  t22 ,n 1 p q
EJEMPLO 1 UTILIZANDO ORDENADOR

Una institución educativa cuenta con 1720 alumnos y se quiere estimar el
peso promedio de los alumnos con una precisión de 8 libras (cota del
error muestral o de estimación) y 95% de confianza.
a) Seleccionar una premuestra de 40 alumnos y calcular el tamaño de
la muestra definitiva considerando que se trata de una población
infinita.
b) Dado que en realidad es una población finita, aplique el factor de
corrección por finitud al resultado anterior y determine el tamaño de
la muestra definitiva.
c) Seleccione aleatoriamente una premuestra de 25 alumnos y calcular
el tamaño de la muestra definitiva. Luego seleccione el
complemento de 25 alumnos para completar el tamaño de la
muestra definitiva y estime el peso promedio. Calcular el error de
muestreo y establezca un intervalo de confianza para la estimación
de la media poblacional.
EJEMPLO 2 (Pérez, 2005)

Para tomar la decisión de mantener un determinado libro como texto
oficial de una asignatura, se pretende tomar una muestra aleatoria simple
entre los 1250 profesores de una universidad y enviarles un cuestionario a
través del cual manifiesten si son favorables a la renovación del libro como
texto oficial.
1. ¿Cuál deberá ser el número apropiado de profesores encuestados de
entre los 1250 para obtener una estimación sobre la proporción de
profesores favorables a la renovación del libro de texto con un error de
estimación inferior al 12% y una confianza del 90%?
2. Si de la encuesta realizada el año anterior se sabe que la proporción de
profesores favorables al mantenimiento del libro de texto fue de 75%,
¿cuál debería ser en este caso el número apropiado de profesores
encuestados del apartado anterior?
3. Si finalmente se decidió enviar cuestionarios a 100 profesores, de los
cuales tan sólo 35 no se manifestaron favorables a la renovación del
libro de texto, estimar la proporción poblacional de los que están de
acuerdo a renovar el libro y el intervalo de confianza correspondiente.

través del cual manifiesten si son favorables a la renovación del libro
como texto oficial.
1. ¿Cuál deberá ser el número apropiado de profesores encuestados de
entre los 1250 para obtener una estimación sobre la proporción de
profesores favorables a la renovación del libro de texto con un error de
estimación al 12% y una confianza del 90%?
N Z12 2 p q 1250 1.6452  0.5  0.5

n   46
Nd 2  Z12 2 p q 1250  0.12  1.645  0.5  0.5
2 2
El tamaño de la muestra debe ser debe ser de 46 profesores. Se toma ½

porque no se tiene información sobre la probabilidad de éxito.

como texto oficial.
2. Si de la encuesta realizada el año anterior se sabe que la proporción de
profesores favorables al mantenimiento del libro de texto fue de 75%
¿cuál debería ser en este caso el número apropiado de profesores
encuestados del apartado anterior?
N Z12 2 p q 1250 1.6452  0.25  0.75

n   35
Nd 2  Z12 2 p q 1250  0.12  1.645  0.25  0.75
2 2
A medida que la diferencia entre p y q es menor, mayor será la variabilidad

considerada, y es máxima (1/4) cuando ambas son iguales, de 0.5 cada una.

como texto oficial.
3. Si finalmente se decidió enviar cuestionarios a 100 profesores, de los
cuales tan sólo 35 no se manifestaron favorables a la renovación del
libro de texto, estimar la proporción poblacional de los que están de
acuerdo a renovar el libro y el intervalo de confianza de la estimación.
x 65
pˆ    0.65
n 100
pq N  n 0.65  0.35 1250  100
IC  p  Z1    0.65  1.645  
2 n N 100 1250
IC  0.65  0.0753 57.47 p 72.53

EJEMPLO 3 y 4 (Anderson & Sweeney, 2008)

Para obtener una muestra de n=50 de una población de N=800, se
empleó el muestreo aleatorio simple. Se halló una media muestral de
215 y una desviación estándar muestral de 20.
a) Estime el error estándar de la media.
b) Obtenga un intervalo de confianza de aproximadamente 95% para la
media poblacional.
En cierta ciudad se tienen 724 declaraciones de impuestos

corporativos. El ingreso anual medio reportado es de Q161,220 con
una desviación estándar de Q31,300. ¿De qué tamaño deberá ser la
muestra el siguiente año para obtener un intervalo de confianza de
aproximadamente 95% para el ingreso corporativo anual medio? La
precisión deseada es de una amplitud de intervalo no mayor que
Q5000.00
CÁLCULO DEL LOS ESTIMADORES EN EL

MUESTREO SISTEMÁTICO
Utilizando el método de las diferencias sucesivas. En este sentido
cambia la forma en que se determina la varianza del estimador.
n
x  xi 
2
i 1
S ds  i 1
2  n  1
El error estándar está dado por:

S ds
Sx 
n
El error de muestro o de estimación está dado por:
d  t ,n 1  S x
2
d
S ds d   100
% 
d  t ,n 1  x
2 n
FÓRMULA DE TARO YAMANÉ

Para calcular el tamaño de la muestra cuando no es posible
conocer los valores de p y q. Se aplica cuando se deben
utilizar cuestionarios o entrevistas en estudios de
fenómenos sociales, sondeos de opinión, o variables de
análisis de escala nominal. Suele emplearse con muestreo
sistemático.
N
n
Nd 2  1
Donde:
N = tamaño de la población
d= error de estimación expresado en fracción porcentual.
Se deriva de la fórmula para calcular proporción en una población finita, en este caso se
asume la máxima varianza (pq=0.25) y un nivel de significancia equivalente a 63 por
millar, es decir, la probabilidad de tomar una muestra no representativa es tan solo 63 en
un millón. El inconveniente es que el tamaño de la muestra es relativamente más grande.
CÁLCULO DEL TAMAÑO DE LA MUESTRA EN

Definidos los estratos homogéneos internamente,

heterogéneos entre sí, según determinada variable de estudio,
suele ocurrir que el tamaño de las subpoblaciones resultantes
en el universo son diferentes. La distribución del total de
unidades muestrales que conforman la muestra a los diferentes
estratos se le llama afijación o asignación, cuyo criterio o razón
de ponderación (Wi ) debe fijarse previo al cálculo del tamaño
de la muestra definitiva, en tanto que, es consecuencia del
mismo. Debe tenerse claridad que cuando se dice asignación o
afijación se refiere estrictamente al número de unidades
muestrales que deben extraerse del estrato L-ésimo durante la
realización del muestreo.
CÁLCULO DEL TAMAÑO DE LA MUESTRA EN

AFIJACIÓN EQUITATIVA. Esta asignación se hace cuando los
estratos son similares en cuanto a variabilidad, tamaño, así
como costo por unidad, por lo tanto:
1 1 Donde L es el número de estratos, n el tamaño de
Wi  ni   n la muestra y ni el número de unidades asignadas a
L L cada estrato.
AFIJACIÓN PROPORCIONAL O DE BOWLEY. Este criterio Consiste en

asignar a cada estrato un número de unidades muestrales
proporcional a su tamaño. Por ello:
Donde Ni es el tamaño del estrato y N el tamaño
N N
Wi  i ni  i  n de la población.
N N
Otros criterios son el de la varianza mínima (Afijación de Neyman)
y la afijación óptima en la que se toman en cuenta los costos del
muestreo.
PARA CALCULAR EL TAMAÑO DE LA MUESTRA EN
MUESTREO ALEATORIO ESTRATIFICADO:
AFIJACIÓN EQUITATIVA Y PROPORCIONAL
Para estimar media Para estimar proporción
L
N i2 i2 L
 wi
 i pˆ i qˆi
N 2
n i 1
n i 1
2 L
d2 L
d
N 2
2
  i iN  2
N 2
2
  N i pˆ i qˆi
Z1 / 2 i 1 Z
1 / 2 i 1
Para estimar totales Donde Wi es una proporción del Ni

número de elementos del estrato wi 
L
N i2 i2

i 1 wi
respecto al total de la población. N
n La asignación de la muestra a cada
d 2 L Ni
  Ni  ni  n
2 estrato se realiza de manera
Z 2 i proporcional al tamaño de cada N
1 / 2 i 1
estrato (asignación de Bowley).
PARA CALCULAR EL TAMAÑO DE LA MUESTRA EN

MUESTREO ALEATORIO ESTRATIFICADO, SEGÚN NEYMAN
Cuando existen marcada diferencias en la variabilidad de las observaciones
dentro de los estratos, es recomendable utilizar el criterio de afijación de
Neyman, ya que además de tener en cuenta el tamaño de los estratos, también
se tiene en cuenta la dispersión de los datos dentro de cada estrato. De esta
manera se obtendrá una muestra más grande en aquellos estratos que sean
más heterogéneos (Ordoñez, 2011).
Para estimar media Para estimar totales Para estimar proporción
2 2 2
 L
  L
  L

 i i 
N s  i i 
N s  i N p i i 
q
n  i 1  n  i 1  n  i 1 
d2 L
d2 L
d2 L
2
N 2   Ni si2 2
  i i
N s 2 2
N 2   Ni pi qi
Z1 / 2 i 1 Z1 / 2 i 1 Z1 / 2 i 1
   
 N s   N p q 
Para repartir la muestra
ni  n  L i i  ni  n  L i i i

 N s  a los estratos  N p q 
 i i   i i i 
 i 1   i 1 
CALCULO DEL TAMAÑO DE MUESTRA

UTILIZANDO INFOSTAT: MEDIA
Infostat calcula el tamaño de la muestra para estimar la media de una población
infinita. La corrección debe hacerse manualmente. Se introduce la amplitud del
intervalo de confianza (AIC) el cual es equivalente al doble del error de
estimación (2d) donde d está expresado en unidades de la variable de estudio.
Luego el nivel de confianza, y por último la cota superior de la varianza que es
igual al cuadrado de la desviación estándar de la premuestra. Por ejemplo, para:
d=25, s=107.525 y =95, los datos a introducir en Infostat son: 50, 11561.626 y
95, respectivamente. Así se obtiene un resultado de 71, el tamaño de la
muestra calculado. Aplicando la corrección por finitud, suponiendo que el
tamaño de la población es 350, el tamaño de la muestra es :
n1 71
n   60
n1 71
1 1
N 350
A medida que el tamaño de la población aumenta, el tamaño de la
muestra infinita tiende a ser igual al tamaño de una muestra finita.

UTILIZANDO INFOSTAT: MEDIA
d  Z1 2  SE
SE
d
SE 
Z1 2
El resultado corresponde al tamaño de muestra para una población infinita calculado con el estadístico z.

UTILIZANDO INFOSTAT: PROPORCIÓN
Infostat calcula el tamaño de la muestra para estimar la proporción de una
población infinita. La corrección debe hacerse manualmente. Se introduce la
amplitud del intervalo de confianza (AIC), para ello se utiliza el doble del error
de estimación (2d) expresado como porcentaje de la probabilidad de éxito (p).
Luego el nivel de confianza, y por último, la proporción de éxito (p). Por
ejemplo, para: d=4%, =95 y p=32%, los datos a introducir en Infostat son: 25,
95 y 0.32, respectivamente. Así se obtiene un resultado de 522, el tamaño de la
muestra calculado. Aplicando la corrección por finitud, suponiendo que el
tamaño de la población es 1200, el tamaño de la muestra es:
n
n1

522
 364 2d 2  4
n1 522 AIC    0.25
1 1 p 32
N 1200

UTILIZANDO INFOSTAT: PROPORCIÓN
¿CÓMO TOMAR O SELECCIONAR LOS

ELEMENTOS DE LA MUESTRA?
Los elementos de la muestrales se eligen siempre aleatoriamente para
asegurar de que cada elemento tenga la misma probabilidad de ser
seleccionado. Puede hacerse:
• Tómbola
• Números Random o aleatorios (tabla, calculadora, ordenador)
• Técnicas particulares, según la naturaleza del estudio.
Por ejemplo, al obtener muestras para análisis de la fertilidad del suelo:
Cuadrícula Zig-zag Diagonal Sinuosa

EJEMPLO: calculo del tamaño de la muestra

utilizando muestreo aleatorio simple (MAS)
para estimar TOTALES
1. Se obtuvo una muestra preliminar de 20 familias
2. Se definió un nivel confianza de 95% y una
precisión de 15%
3. Calcular la media y la varianza de la premuestra
4. Calcular el tamaño de la muestra definitiva con:
N s 2 t22 ,n 1
n

N d 2  s 2 t22,n 1 
Si se considera el ingreso anual por familia real en quetzales, determine el

tamaño de muestra para estimar el ingreso total de un sector residencial
compuesto por 500 familias, tanto en forma puntual como en intervalo.
Cuadro 1. Resultados de ingreso familiar a partir de la muestra preliminar:

No. Identificación de Ingreso familiar No. Identificación de la Ingreso
la unidad familiar real unidad familiar familiar real
179 8,000 309 14,000
186 8,700 336 6,000
485 7,000 475 54,000
80 2,500 483 8,000
104 3,500 230 22,000
293 6,000 375 6,000
74 2,500 51 1,500
70 6,000 29 11,000
347 4,500 247 9,000
337 4,500 5 8,000
Fuente: Muestreo estadístico: notas de acompañamiento (López y González, 2007)
De la muestra preliminar : Confiabilidad    : 95%

x  9, 635 s  11, 400.66 Nivel de significancia  5%
Precisión :  ´  / 2
d  x  Precisión %  gl  n  1
d  9635.00  0.15 gl  20  1  19
d  1, 445.25 t0.025 ,19  2.093
N s 2 t22,n1 500 11, 400.662  2.0932

n 

N d 2  s 2 t22,n 1  500 1445.252  11, 400.662  2.0932
n  177 familias
• Hacer el muestreo, eligiendo aleatoriamente los elementos que

hacen falta para 177.
• Hacer la estimación puntual y de intervalo.
• Indicar el error de precisión resultante.
Al recabar información de las 177 familias, que constituyen el

tamaño de la muestra definitiva, se obtuvo:
x  11, 475.68 s  9, 456.20
Precisión:
s 2 t22,n1  N  n  9, 456.22  2.0932  500  177 
d   Q.1195.68
nN 177  500
1195.68
d 100  10.42%
11475.68
Estimación puntual Intervalo de confianza

Total ingresos estimado : T d
T  xN 5, 737,842.11  597,883.15  5139958.96
T  11, 475.68  500 5, 737,842.11  597,883.15  6335725.26
T  5, 737,842.11 de : 5,139,958.96 a 6,335, 725.26
Conclusión: Con 95% de confiabilidad y un

error de estimación de 10.42%, el ingreso total
de las familias del sector residencial en estudio
es Q. 5,737,842.11, el cual puede oscilar entre
Q.5,139,958.96 y Q.6,335, 725.26
Realizando la misma estimación solo que

ahora empleando la fórmula para estimar
totales:
N 2  s 2  t21 /2, gl 
n

d 2  N  t21 /2, gl   s 2 
Se utiliza el estadístico t en lugar de z porque la premuestra es
menor a 30 datos.
De la muestra preliminar :
x  9635.00 s  11, 400.66
Confiabilidad    : 95%
Total ingresos estimado :
Nivel de significancia  5%
T  xN
Precisión :  ´  / 2
T  9, 635.00  500
d  T  Precisión %  gl  n  1
T  4,817,500.00
d  4,817,500  0.15 gl  20  1  19
d  722, 625 t0.025 ,19  2.093
N 2  s 2  t21 /2, gl  5002 11400.662  2.0932

n 

d 2  N  t21 /2, gl   s 2  7226252   500  2.0932 11400.662 
n  177 familias
• Hacer el muestreo, eligiendo aleatoriamente los elementos que

hacen falta para 177.
• Hacer la estimación puntual y a través de intervalo de confianza
• Indicar el error de precisión resultante.
Al recabar información de las 177 familias, que constituyen el

tamaño de la muestra definitiva, se obtuvo:
x  11,168.35 s  9,535.80
Precisión:
s N n 9535.80 500  177
d  t1 /2, gl  N    2.093  500  
n N 177 500
d  602,873.22
Estimación puntual Intervalo de confianza

Total ingresos estimado : T d
T  xN 5,584,174.76  602,873.22  4,981,301.54
T  11,168.35  500 5,584,174.76  602,873.22  6,187047.98
T  5,584,174.76 de : 4,981,301.54 a 6,187, 047.98
602,873.22
d 100  10.79%
5584174.76
Conclusión: Con 95% de confiabilidad y un

error de estimación de 10.79%, el ingreso total
de las familias del sector residencial en estudio
es Q.5,584,174.76, el cual puede oscilar entre
Q.4,981,301.54 y Q.6,187,047.98
PARTE PRÁCTICA: Hacer una

investigación por muestreo para
calcular la media utilizando muestreo
aleatorio simple y el informe final de
acuerdo a la estructura dada en clase.

9muestreo Estadístico

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

9muestreo Estadístico

Hochgeladen von

Copyright:

Verfügbare Formate

INTRODUCCIÓN AL ESTUDIO DEL MUESTREO

El MUESTREO es una técnica que se utiliza para seleccionar

Compilación: Carlos Ardón (revisión diciembre, 2017)

ENFOQUES CUANTITATIVO Y CUALITATIVO

El dato es El dato es la El dato es la

inferencias sobre la población

• Aleatorio simple • Por cuotas

MUESTREO INTENCIONAL (NO

MUESTREO INTENCIONAL (NO

MUESTREO INTENCIONAL (NO

MUESTREO INTENCIONAL (NO

MUESTREO INTENCIONAL (NO

El hecho de que la muestra no sea aleatoria no invalida los

MUESTREO INTENCIONAL (NO

TIPOLOGÍA DEL MUESTREO

Muestreo por cuotas

Al procedimiento que permite obtener un valor aproximado del parámetro

LA MUESTRA COMO SUBCONJUNTO

Subconjunto de n unidades que forman la muestra s, seleccionada

 X 1 , X 2 , X 3 ,...., X n  X es la variable de estudio medida sobre sobre cada uno de los

Existe interés en ciertas funciones de los elementos {X1, X2, . . . , XN } como:

A estas funciones, dado que depende de las observaciones de la

CARACTERÍSTICAS DE LA POBLACIÓN QUE

RAZONES PARA MUESTREAR

• Reducir la utilización de recursos financieros,

TIPOLOGIA DEL MUESTREO

MUESTREO ALEATORIO SIMPLE

MUESTREO ALEATORIO SISTEMÁTICO

MUESTREO ALEATORIO SISTEMÁTICO

MUESTREO ALEATORIO SISTEMÁTICO

MUESTREO ALEATORIO SISTEMÁTICO

En general el procedimiento es el siguiente:

MUESTREO ALEATORIO ESTRATIFICADO

MUESTREO ALEATORIO ESTRATIFICADO

MUESTREO ALEATORIO ESTRATIFICADO

MUESTREO ALEATORIO POR CONGLOMERADOS,

MUESTREO ALEATORIO POR CONGLOMERADOS,

MUESTREO ALEATORIO POR CONGLOMERADOS,

MUESTREO ALEATORIO POR CONGLOMERADOS,

MUESTREO ALEATORIO POR CONGLOMERADOS,

PLANIFICACIÓN DE ESTUDIOS CON

NÚMERO DE MUESTRAS POSIBLES

• En un muestreo con reposición o muestreo con

• En un muestreo sin reposición o muestreo sin

NÚMERO DE MUESTRAS POSIBLES

Para una población de tamaño N, el total de muestras de tamaño n

Para una población de tamaño N, el total de muestras de tamaño n

NÚMERO DE MUESTRAS POSIBLES

Para una población de tamaño N, el total de muestras de tamaño n

Para una población de tamaño N, el total de muestras de tamaño n

Si la esperanza de un estimador no es igual a cero, se dice es un

En la práctica se considera que el sesgo del estimador no es

En tal sentido, para todo estimador sesgado es necesario

Como el resultado anterior depende de la unidad de medida de

Se dice que un estimador es insesgado si la esperanza del estimador es igual

CONSISTENTE: Un estimador es consistente si, a medida

SUFICIENTE: Un estimador es suficiente si ningún otro

DISTRIBUCIÓN MUESTRAL DEL

Una distribución muestral es una distribución de probabilidad de

DISTRIBUCIÓN MUESTRAL: EJEMPLO

Para estimar el parámetro poblacional se considera el

Entonces los valores para el estimador de la media en las

Gráfico de distribución de probabilidad para el estimador de la media