Semana Vii

¡La universidad para todos!
¡La Universidad para todos!
CURSO: PROYECTO DE INVESTIGACION III
DOCENTE: DR. ING. FERNANDO VASQUEZ PERDOMO
Escuela Profesional Periodo académico: 2019 -2B

INGENIERÍA AMBIENTAL Semestre: X
Unidad: IV
Semana VII
INSTRUCCIONES
• En la setima semana de clases del curso

Proyectos de Investigación II, estudiará:
• Muestra.
• Población.
• Tipos de Muestreo.
2
Estadística Inferencial
1. MUESTREO ALEATORIO
3
Muestra y población
• Población: es el conjunto de todos los elementos que poseen una determinada
característica. En general supondremos que la población es muy grande.
• Muestra: es un subconjunto de la población.
• Muestreo: es el proceso mediante el cual se escoge una muestra de la población.
• Inferencia estadística: proceso a través del cual se obtienen conclusiones sobre una
población, a través de la información que proporciona una muestra. La confianza de
tal extrapolación dependerá de la representatividad de la muestra.
· Razones para usar muestras: economía, observación destructiva, etc.
La representatividad de la muestra depende de dos

cosas:
a) Del mecanismo de selección: que ha de
garantizar que no hay un elemento de la
población con más probabilidad que otro de
entrar en la muestra. Si no, sería una muestra
sesgada.
b) Del tamaño de la muestra: si el mecanismo

de selección es correcto, cuanto más grande
sea la muestra mayor será la probabilidad de
que se parezca a la población.
Tipos de muestreo
Ejemplo. Tres empresas están investigando el nivel adquisitivo de las

personas que acuden a un determinado concierto de música clásica. Para
ello, cada una elige una muestra de la siguiente manera:
1.- 50 primeras personas que entren en el auditorio.

2.- 50 personas elegidas al azar de las que se ubican en la platea baja.
3.- 50 personas elegidas al azar de todas las asistentes.
Muestreo aleatorio Muestreo no aleatorio
Ventajas y desventajas
5
Tipos de muestreo aleatorio
Muestreo aleatorio simple: todos los

elementos de la población tienen la
misma probabilidad de ser elegidos
para formar parte de la muestra.
Muestreo aleatorio estratificado: la Estrato 1 Estrato 2

población se divide en grupos
homogéneos que llamamos estratos.
La proporción de cada estrato en la
población se mantiene en la muestra. Población
Cada uno de los estrato de la muestra
se obtiene por muestreo aleatorio
simple sobre el estrato
correspondiente de la población.
Muestra 6
Tipos de muestreo aleatorio (II)
Muestreo aleatorio sistemático: se

selecciona al azar un elemento de la
población y a partir de él se
seleccionan de k en k los elementos
siguientes.
Muestreo por conglomerados y

áreas: se divide la población en
distintas secciones o conglomerados.
Se eligen al azar unas pocas de estas
secciones y se toman todos los
elementos de las secciones elegidas
para formar la muestra.
Para dividir la población en secciones
podemos usar las provincias.
7
Tipos de muestreo no aleatorio
Muestras erráticas o casuales
Muestras intencionadas o racionales
Muestras por cuotas
Muestras “bola de nieve”
8
Distribución en el muestreo de la media

Supongamos que en una población una variable aleatoria se distribuye con media μ y
desviación típica σ.
• Al tomar diferentes muestras de igual tamaño en la población y calcular sus medias
y sus desviaciones típicas, obtendremos x–1, x–2, ..., x–n y s1, s2, ... , sn
• Los distintos valores de –xi dan lugar a una variable aleatoria que representamos
– –
por X y se llama media muestral. La distribución de los valores de X se llama
distribución en el muestreo de la media.
–
La variable aleatoria X tiene las siguientes características:
1. Media : 

2. Desviación típica:
n
–
3. A medida que n crece, la distribución de X se aproxima a la normal.
Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes

9
Distribución en el muestreo de la media

Se supone que la distribución de la temperatura del cuerpo humano en la
población tiene una media μ = 37º y una desviación típica σ = 0,85º. Se elige
una muestra de 105 personas. Se desea obtener la probabilidad de la media
de la muestra sea menor que 36,9º.
Al ser n = 105, consideramos que la variable aleatoria media muestral es normal.

– 
La variable aleatoria X se distribuye como una N( ) = N (37, 0,083)
n
Por tanto:
– 
– X –37 36,9 –37
p( X  36,9) =p  0,083 0,083  = p( Z – 1,20) = 1– p(Z  1,20) = 1– 0,8849 =
= 0,115
Se debe recordar que para una variable aleatoria continua se tiene que:
p(Z  a) = p(Z < a)
10
Teorema central del límite:

idea intuitiva
• Muchos fenómenos se pueden considerar como suma de efectos parciales
independientes, pudiendo ocurrir que aunque los efectos no se ajusten a la normal, el
fenómeno resultante tienda asintóticamente a la normal.
• Una simulación con ordenador nos puede ayudar a entender esto:
1000 lanzamientos de un dado 1000 medias de dos dados
1000 medias de 4 dados 1000 medias de 10 dados 11

Teorema central del límite

Ya dijimos que…
Sea X una variable aleatoria de una población de media  y desviación típica ,

entonces se verifica que
1. La variable aleatoria media muestral (con muestras de tamaño n) tiene

media  y desviación típica
n
2. La variable aleatoria media muestral se aproxima a una normal a medida
que crece el tamaño de la muestra n
¿Qué se entiende por "cuando crece n"?
• Si la población de partida es normal, la distribución de las medias

muestrales es normal, cualquiera que sea n.
• Si la distribución de partida no es normal, la distribución de las medias
muestrales es normal si n  30.
12
Teorema central del límite: visión gráfica

Normal Uniforme Sesgada
Distribución
de la
población de
partida
Distribución
de las medias
muestrales
para n = 5
Distribución
de las medias
muestrales
para n = 10
Distribución
de las medias
muestrales
para n = 30
13
Distribución en el muestreo de una proporción

• Supongamos que en una población la proporción de elementos con una determinada
característica es p.
^
• En una muestra cualquiera la proporción de individuos con dicha característica será p.
^
• Los distintos valores de p^ dan lugar a una variable aleatoria que representamos por P, y
^
que recibe el nombre de proporción muestral. La distribución de P se llama distribución
en el muestreo de una proporción.
^
La variable aleatoria P tiene las siguientes características:
1. Media : p
p(1 – p)
2. Desviación típica:  n
^
3. A medida que n crece, la distribución de P se aproxima a la normal,
siempre que p no se acerque ni a 0 ni a 1. En cualquier caso, se considera
normal si n ≥ 30.
14
Distribuciones en el muestreo de una proporción

Un nuevo medicamento ha curado al 85 % de los enfermos a los que se les ha
aplicado. Determinar las distribuciones en el muestreo de la proporción de enfermos
curados para muestras de tamaño 30, 100 y 1000 personas.
En nuestro caso p = 0,85
Tamaño Distribución
Desviación típica:
de la Media: muestral
p(1 – p)
muestra: p  p(1 – p)
n n N(p, )
n
30 0,85 0,85(1 – 0,85) N(0,85; 0,065)

= 0,065
30
100 0,85 0,85(1 – 0,85) N(0,85; 0,036)

= 0,036
100
Conviene observar cómo, a medida que el
1000 0,85 0,85(1 – 0,85) N(0,85; 0,011) tamaño de la muestra crece, la desviación
= 0,011
1000 típica disminuye.
15
MUESTREO
Parte 1: Generalidades
• Una vez definido el problema a investigar,

formulados los objetivos y delimitadas las
variables se hace necesario determinar los
elementos o individuos con quienes se va a llevar a
cabo el estudio o investigación.
16
Muestreo
Procedimiento por el cual se extrae, de un conjunto

de unidades que constituyen el objeto de estudio (
población), un número de casos reducido (muestra)
elegidos con criterios tales que permitan la
generalización a toda la población de los resultados
obtenidos al estudiar la muestra.
17
Conceptos Iniciales
• Población: Conjunto de unidades de las que se desea

obtener cierta información.
Unidades: Personas, Familias, Viviendas, Escuelas,
Organizaciones, Artículos de Prensa
• Muestra: Selección de unas unidades concretas de la

población que representen la característica que se
quiere medir.
18
Razones de Muestreo
• Disminución de costos ( tiempo, personal, material)

• Al disminuir el número de casos disminuyen también
los errores asociados a la manipulación de los datos.
• Puede confiarse en la generalización de los
resultados si se ha tenido cuidado al seleccionar la
muestra.
19
Criterios importantes para la

selección de la muestra
Salvo en poblaciones muy pequeñas y accesibles nunca

se observan a todas las unidades de la población.
Se debe diseñar una muestra que constituya una
representación a pequeña escala de la población a la
que pertenece.
Cualquier diseño muestral comienza con la búsqueda de
la información que ayude a la identificación de las
características de la población bajo estudio.
20
Condiciones que debe cumplir una

“buena” muestra
• Que comprendan parte de la población y no la totalidad
de ésta.
• Aunque el sentido común pareciera indicar que
poblaciones más grandes deben producir muestras
mayores, esto no es siempre cierto ya que:
– El tamaño de la población NO es el único elemento que influye en el
tamaño de la muestra.
21
Condiciones que debe cumplir una

“buena” muestra
La ausencia de distorsión en la elección de los
elementos de la muestra.
Si esta elección presenta alguna anomalía, la muestra resultará
por este mismo hecho viciada.
Que sea representativa o reflejo fiel de la población, de
tal modo que reproduzca sus características básicas en
orden a la investigación.
22
Condiciones que debe cumplir una “buena”

muestra
Si hay sectores diferenciados en la población que se

supone ofrecen características especiales la muestra
también deberá comprenderlos en la misma
proporción.
23
Tamaño de la muestra
Es el número de unidades a incluir en la muestra.

Existen varios factores que influyen en el:
Tiempo y recursos disponibles
Modalidad de Muestreo
Tipo de Análisis Previsto
Varianza o heterogeneidad de la población
Margen de Error máximo admisible
Nivel de confianza de la estimación muestral
24
Modalidad de Muestreo Seleccionada
La selección de las modalidades de muestreo (

probabilísticos y no probabilísticos) se halla determinada
por la confluencia de varios factores: los objetivos, los
recursos, la accesibilidad de la población y el tiempo.
Los diseños no probabilísticos demandan un tamaño
muestral menor.
25
Tipos de Muestreos
PROBABILÍSTICOS NO PROBABILISTICOS
•Todas las unidades tienen igual •Cada unidad NO tiene igual

probabilidad de participar en probabilidad de participar en
la muestra. la muestra.
•La elección de cada unidad •No se puede calcular el error
muestral es independiente de las muestral
demás •Alto riesgo de invalidez
•Se puede calcular el error muestral producido por la introducción de
sesgos
26
Usos de cada tipo de muestreo
Muestreos No
Muestreo Probabilísticos
Probabilísticos
Estimación de
Estudios Pilotos
Parámetros
Estudios Cualitativos
Comprobación de
Hipótesis Investigaciones en
poblaciones de difícil
registro o localización ( Ej.
Marginales, prostitutas,
enfermos de VIH, etc…)
27
Ejemplo: ¿Muestreo Probabilístico?
• Se realiza un muestreo entre los alumnos que van a

clases de la Materia Metodología, eligiéndolos al azar
a la entrada del salón.
Este diseño es NO probabilístico porque aquellos que

no van a clases NO PUEDEN ser elegidos
28
• Se utiliza la lista de propietarios de líneas telefónicas

para elegir a aquellos que serán encuestados.
Este diseño es NO Probabilístico porque aquellos que

no tienen teléfono NO PUEDEN ser elegidos
29
• Un investigador toma muestras del carbón extraído

de una mina, tomando al azar trozos de carbón de la
parte superior de cada carro.
Este diseño es NO probabilístico

porque solo se toma carbón
de la parte superior
30
Factores que influyen en el tamaño de la
muestra :Tipo de análisis de datos
previsto
La técnica de análisis influye en el tamaño de la

muestra:
Comparación de Medias
Estimación de Proporciones ( parámetros)
Análisis Univariables
Análisis Multivariables
31
Heterogeneidad poblacional
Cuanto mas heterogénea sea la población mayor será

su varianza poblacional lo que implicará mayores
tamaños muestrales.
Cuando se desconoce el valor de la varianza poblacional
se recurre al supuesto mas desfavorable, asumiendo
una varianza poblacional igual a 0,5.
0,5 significa que una unidad seleccionada tiene 50 % de
posibilidades de pertenecer o no a un grupo específico
dentro de la población
32
2da Parte: Errores y Cálculo del

tamaño de la muestra
33
Errores, Errores, ERRORES
Aleatorio
Muestral
Sistemático
V = v± e
Valor Valor
Medido en ERROR
Verdadero
en la la muestra
población
34
Error Aleatorio
El error aleatorio no se suele ajustar a ninguna regla o

norma , varían en cada caso , en su sentido y magnitud,
y por ello tiende a anularse cuando se trata de un
número elevado de casos.
– Los errores aleatorios se comenten, por ejemplo, cuando un
encuestado elige erróneamente una casilla queriendo hacerlo en
otra, cuando un encuestador marca erróneamente un dato, etc.
35
Errores Sistemáticos
• Un error sistemático es aquel que se produce de igual modo (

sentido y proporción) en todas las mediciones que se
realizan sobre un parámetro de la muestra
• Contrario al error aleatorio, NO se anula en muestras

grandes.
36
Errores Sistemáticos. Ejemplos
Las tendencias subjetivas conscientes o inconscientes

del investigador.
Sustituciones, según criterio propio del investigador, de
unidades de la muestra que habían sido elegidas al
azar.
Insuficiente observación del conjunto de la población
que influye en una deficiente definición de sus
características.
37
Error Muestral
• Cuando se extrae una muestra de una población es
frecuente que los resultados obtenidos de la muestra no
sean exactamente los valores reales de la población.
• El error de muestreo ocurre al estudiar una muestra en
lugar de la población total.
• La diferencia entre el valor del parámetro de una
población y el obtenido de una muestra recibe el nombre
de error muestral. ( y que no puede ser asociado a otro tipo de
explicación, es decir no es error aleatorio o sistemático)
38
Error Muestral
Por muy perfecta que sea la muestra siempre habrá
grado de divergencia entre los parámetros estimados
usándola y los de la verdadera población.
En el cálculo del error intervienen:
Tamaño de la muestra
Varianza poblacional
Nivel de confianza
Tipo de muestreo
39
Estimación del Error
• Cuando variable bajo estudio es una media. (solo

válido para variables numéricas)
s
ez 1 f
n
Donde:
Z: grado de confianza de la estimación
s: desviación típica muestral de la variable analizada
n: tamaño de la muestra
1-f: Factor de corrección para poblaciones finitas. f= n/N
40
El error muestral es mayor en la

medida que:
• Crece el grado de confianza que el investigador

quiere dar a su estimación del parámetro medido
mediante la muestra
• Es más elevada sea la variabilidad de la variable
estudiada.
• Es menor el tamaño de la muestra.
41
Estimación del Error
• Cuando la variable bajo estudio es una proporción

(ej, variables nominales u ordinales con pocas
categorías)
pq
ez 1 f
n 1
Donde:
Z: grado de confianza de la estimación
p: proporción de la muestra para la categoría a examinar
q: 1-p
n: tamaño de la muestra
1-f: Factor de corrección para poblaciones finitas. f= n/N 42
Tamaño de la muestra vs. Error

muestral
43
Margen de confianza en la estimación
• Expresa el grado de probabilidad que el investigador

tiene en que su estimación se ajuste a la realidad.
• Los valores comúnmente utilizados son 95, 99, 99,9%
44
Correcciones para poblaciones finitas
• Cuando el tamaño de la muestra es mayor del 5 %

del tamaño de la población se debe utilizar el
factor de corrección.
• Si por el contrario N>>n, f tiene a 0 y el factor de

corrección ( 1-f) tienen a 1.
45
Margen de error admisible

Los incrementos en el tamaño de la muestra repercuten
en una mayor precisión y por consiguiente en menor
error muestral.
El error muestral interviene en el cálculo del tamaño de
la muestra solo si el diseño es probabilístico.
En el muestreo probabilístico el investigador fija el error
máximo admisible a priori y sobre esa base realiza el
cálculo del tamaño de la muestra.
46
Cálculo del Tamaño de la Muestra *
Para comparaciones de Para estimación de

media proporciones
2
 zs  z 2 pq
n  n  n 1  2
e e
47
* Para poblaciones infinitas (donde N>> n )
Por lo tanto el tamaño de la muestra
Es directamente
proporcional al
nivel de confianza
Z.
Es
Es directamente
inversamente proporcional a
proporcional al la variabilidad
error estimado. del fenómeno a
estudiar.
48
EJEMPLO DEL CÁLCULO DEL TAMAÑO DE LA MUESTRA

(POBLACIÓN INFINITA )
• Estimando qué proporción de sujetos poseen una
característica al nivel de confianza del 99.7% (Z=3) y un
error de admitido del 2%, será:
32 x50x50
n 2
 5625
2
EL TAMAÑO DE LA POBLACIÓN NO FUE TOMADO EN
CUENTA!!!
POR QUÉ P y Q valen 50 % ?
49
Cálculo del Tamaño de la Muestra para poblaciones

finitas. (f=n/N>0,05)
Ej. El número óptimo para un
estudio de 60.000 personas
estableciendo un nivel de
confianza de 95.5%(z=2), y el
margen de error en el 3%, sería
4 * 50 * 50 * 60.000
n = ---------------------------------
9 (60.000-1) + 4 * 50 * 50
n= 1091
2
NZ pq
n 2
e ( N  1) Z pq
2
50
Tamaño de la Muestra
51
3ra Parte UAP
• TIPOS DE MUESTREO 52
Algunos tipos de muestreo Probabilístico
Por
Simple Sistemático Estratificado
Conglomerados
53
Muestreos Probabilísticos: Simple
Se realiza utilizando alguna fuente de elección aleatoria.

Supone que cada miembro de la población tiene
elemento que lo identifica ( ej. Un número identificador)
y mediante el cual puede ser elegido si “sale” sorteado.
La afirmación anterior implica que hay que tener un
listado completo de TODOS los miembros de la
población
54
Muestreos Probabilísticos: Simple
Ventajas Desventajas
Facilidad en los cálculos Cada que cada miembro de
estadísticos la población tiene que ser
Elevada probabilidad de identificado
lograr “equivalencia” entre Complicado en poblaciones
las características de la grandes
muestra y las Alto costo
correspondientes a la
población
55
Muestreos Probabilísticos: Muestreo

Aleatorio Sistemático
 Similar al muestro simple salvo que:
1. Solo la primera unidad de la muestra se elige al azar siempre
que el número seleccionado sea mayor que el coeficiente de
elevación.
 Coeficiente de Elevación = N/ n
 Donde
 N: Tamaño de la población
 n : Tamaño de la muestra
2. Los restantes elementos de la muestra se hayan sumando,
sucesivamente el coeficiente de elevación.
56

Aleatorio Estratificado
• Presupone el conocimiento de las características de las
unidades que forman la población para poder dividirla en
grupos ( estratos)
• Se eligen los miembros de la muestra en cada estrato
creado siguiendo algún tipo de muestreo de los vistos
anteriormente.
57
Ej. Muestreo Probabilístico por Estratos

Escuelas
Escuela Escuela
Primarias Secundarias
Escuela 1 Escuela 2 Escuela 1 Escuela 2
Profesores Profesores Profesores Profesores
Se seleccionan ALEATORIAMENTE ni profesores de cada una de las escuelas seleccionadas .

Ej. 58
2 de la escuela primaria 1 y 2 de la escuela primaria 2.

Aleatorio Estratificado cont…
• El objetivo de este tipo de muestreo es garantizar la
representatividad equitativa de los estratos ( que implica
representación equitativa de las características de la
población).
• Se logra si:
Son máximas las diferencias entre los estratos
Son mínimas las diferencias entre los miembros de un mismo
estrato.
Los criterios de división de la población en estratos se hallen
relacionadas con los objetivos de la investigación.
59

Aleatorio Estratificado cont…
 Los tamaños de cada estrato pueden ser:

Los mismos ( Afiliación simple)
Proporcional al peso relativo ( tamaño) del estrato dentro de la
población (Proporcional)
En función de la heterogeneidad de cada estrato ( Óptima)
60
Ejemplo: Muestro por Estratos
61
Ejemplo tomado del Maria Ángeles Cea
Ejemplo Muestro por Estratos. Afiliación Simple
2500
nes tr atos 
3
62
Ejemplo Muestro por Estratos. Afiliación

Proporcional
nestrato1  0,45x 2500 1125

nestrato2  0,39x 2500 975
nestrato3  0,16x 2500 400
63
Ejemplo de Muestreo por Estratos.

Afiliación Óptima
Paso 1 : Multiplicar el porcentaje de la población correspondiente al estrato por
la varianza del estrato
45x1900  85500
39x 2600  101400
16x 2100  33600
Paso 2: Se suman todos los valores obtenidos en el paso 1 (85500+101400+33600=22
Paso 3: Se calcula a proporción de cada valor obtenido en el paso 1 dentro del paso 2.
Pr oporciónestrato1  85500/ 220500 0,388
Pr oporciónestrato2 101400/ 220500 0,460
Pr oporciónestrato3 33600/ 220500 0,152
Paso 4 : Se calcula el tamaño de la muestra de cada estrato multiplicando
su proporción por el tamaño de la muestra global ( 2500)
0,3 8 8x 2 5 0 0 9 7 0
0,4 6 0x 2 5 0 0 1 1 5 0
0,1 5 2x 2 5 0 0 3 8 0 64
 9 7 0,1 1 5 0,3 8 0  2 5 0 0
Ventajas y Desventajas del Muestreo Aleatorio

Estratificado
1. No es necesario • Puede ocurrir que los

disponer de la lista de miembros de una
toda la población sino
de las subpoblaciones unidad superior se
de orden superior parezcan, reduciendo
extraídas ( por ej. las la representatividad de
escuelas primarias y otros en la muestra
secundarias)
final.
2. Existe una
considerable reducción
de costos
65
Muestreo Aleatorio por conglomerados

• La unidad muestral es un grupo de elementos de la
población que forman una unidad, a la que llamamos
conglomerado.
• A diferencia de un estrato, un conglomerado es una
unidad de elementos que contienen representantes de
toda la población
66
Ejemplo: Muestreo por Conglomerados
Escuelas
Escuelas Escuelas
Primarias Secundarias
Escuela 1 Escuela 2 Escuela 1 Escuela 2
67
Todos los profesores de las Escuelas 2 (Primaria) y 1 (Secundaria) son parte de la mu
Ejemplos de Conglomerados
• Zona Geográfica
• Edificio
• Una institución
• …..
68
Ventajas del muestreo por

conglomerados
• Es ventajoso, desde el punto de vista de costos, si se
pueden agrupar los miembros de la población por
conglomerados, en los cuales el criterio de agrupación
no sea la variable que se estudia.
• No es preciso tener un listado de toda la población, sino
de las unidades ( conglomerados) por los que se
agruparán.
69
Desventajas
• El error es mayor que cuando se utilizan otras técnicas

de muestreo.
70
Tipos de muestreos NO Probabilísticos
“ Bola de
Por Cuotas
Nieve”
Estratégicos
71
Muestro por Cuotas
• La población debe ser dividida en estratos

definidos por variables cuya distribución dentro de
la población sea conocida.
• Se procede a calcular el tamaño de cada estrato
siguiendo el mismo procedimiento que si fuese un
muestreo probabilístico estratificado. (
proporcional)
72
Muestro por Cuotas
• A diferencia del M. Probabilístico Estratificado el

entrevistador es libre para escoger a quienes
forman parte de cada estrato. (CUOTA)
73
Muestreo por cuotas
• Resulta más Supone mayor error muestral
económico que los que los diseños probabilísticos.
muestreos No existe un método válido
para calcular el error.
probabilísticos .
Dificultas para el control del
• Fácil de ejecutar el trabajo de campo.
trabajo de campo Limitaciones en la
• No precisa el listado representatividad de la
de la población muestra para las
características no
especificadas en los controles
de cuotas.
74
Muestreo de Bola de Nieve
• Este modelo es particularmente útil cuando se

muestrean poblaciones cuyos componentes, por
motivos morales, ideológicos, legales o políticos
tienen a ocultar su identidad.
• A partir de unos pocos individuos el entrevistador,
con ayuda de los primeros, va “ conociendo” a
nuevos miembros de la muestra.
75
Muestreo Bola de Nieve
• El riesgo fundamental está asociado a la selección

inadecuada de los primeros miembros de la
muestra y de quienes dependerá el resto.
• También es posible que ocurran distorsiones si no
se tiene en cuenta criterios muy específicos para la
selección de la muestra.
76
Parte 4
• Problemas del muestreo en la

Investigación Social
77
Errores de cobertura
• ¿ Como se puede hacer un muestreo probabilístico

si las unidades no son conocidas?
• ¿Cómo localizar a todos los posibles miembros de
la población?
• Si se busca investigar sobre franjas particulares de
la población el problema se hace más difícil de
manejar
78
Error de Cobertura
• Se produce cuando no son incluidos determinados
elementos de la población objeto de estudio en el
proceso de selección muestral .
• La falta de cobertura impide la cooperación de un
número de unidades muestrales, puesto que
determinados individuos no pueden ser
seleccionados en la muestra, dificultando con ello la
capacidad de inferencia de los hallazgos de la
investigación.
79
Error de Cobertura
• Este error produce una subestimación en los

resultados, cuya amplitud depende de las
características de las unidades omitidas
80
Problemas de Representatividad
Si no se ha logrado representatividad en una o varias

variables, el investigador tiene 3 opciones:
a) Trabajar con la muestra no representativa y contar con ese
límite
b) Redefinir la población. Por ejemplo: no hablar de enfermos de
SIDA sino de enfermos de SIDA que son atendidos en el HULA.
c) Modificar deliberadamente la muestra para que represente el
comportamiento de la variable bajo estudio.
81
Error de No Respuesta
Deseo
explícito de
no
responder
No
Falta de
respuesta
contacto
por no
directo
entender
Pérdidas
por no
respuesta
82
Tipos de Error de no respuesta
Parcial
Total
83
Ejemplos de errores de no respuesta
• El entrevistado puede no contestar una pregunta

por falta de conocimiento sobre esa cuestión, por
considerarla muy entrometida al invadir el ámbito
de su privacidad, porque la considera irrelevante
para los objetivos del estudio, etc.
• El entrevistador también contribuye a la no
respuesta parcial por el “olvido” a la hora de
recoger determinadas respuestas, o al tomarlas
equivocadamente.
84
Ejemplos de errores de no respuesta
• Por último, el cuestionario genera no respuestas

por problemas en la redacción de las preguntas, y
por la utilización de preguntas «filtro» para que un
grupo de preguntas no sean respondidas por
determinados entrevistados que cumplen (o no
cumplen) una serie de requisitos.
85
Consecuencias tiene la no respuesta
• Al reducirse el • Si el fenómeno está

tamaño de la concentrado en
muestra aumenta el sectores específicos
error. de la población la
muestra puede
sesgarse.
Error Sesgo
86
Métodos de reducción del impacto de la no

respuesta
Prevención Intervención
( durante la (luego de la
recolección recolección
de los datos )
de datos )
87
Ponderación
Conocimiento
Post-
de los que no
estratificación
responden
88
89
POBLACIÓN Y TIPOS
90
Tipos de Poblaciones
• POBLACIONES FINITAS
En los problemas planteados en las distintas disciplinas se estudia el
comportamiento de una o más variables sobre un conjunto de
unidades. A este conjunto de unidades lo denominamos población P.
La unidades de la población pueden ser pacientes, hospitales,
alumnos, médicos, objetos, etc. La variable es la característica
estudiada que puede tomar distintos valores de unidad en unidad.1
Cuando hablamos de poblaciones finitas, por lo menos en teoría,
podemos acceder a todos los individuos o elementos que la componen.
• POBLACIONES INFINITAS
En muchos problemas interesa saber como se comporta una, o varias
variables, al observarlas cuando se repite un experimento definido de
antemano, pero no existe un número fijo, finito, de experimentos ya que
teóricamente se los puede repetir cuantas veces se quiera. Si
estudiamos pacientes hipertensos y medimos su tensión arterial, estas
mediciones se pueden repetir cuantas veces se quiera, por lo menos
en teoría, en pacientes actuales y futuros repartidos a lo largo del
mundo.
Cassel Claes-Magnus, et all. Fundations of Inference in Survey
Sampling,
Krieger Publishing Company Malabar, Florida 1993.
91
Población blanco o población objetivo

• Es aquella a la que pretendemos extrapolar luego las conclusiones del
estudio.
Debe estar bien definida por los criterios de inclusión y exclusión. Aún más,
sería deseable que los criterios de inclusión fueran lo más amplios posibles y
los de exclusión lo mas reducidos posibles, para que las conclusiones
pudieran extrapolarse a los pacientes de la vida real.
• Ejemplos de población blanco:

1- Pacientes adultos infectados con virus de HIV.
2- Pacientes con enfermedad coronaria demostrada por angiografía con al
menos
una obstrucción del 20 % en una de sus arterias coronarias y un
colesterol LDL
entre 125 y 210 mg/dl. 2
3- Niños menores de 13 años admitidos en Hospitales rurales de Kenya.3
2-Nissen Steven, et all “Statin Therapy, LDL Cholesterol, C-Reactive Protein, and Coronary Artery
Disease”, N Engl J Med, 2005; 352: 29-38.
3-Berkley James, et all “Bacteremia among Children Admitted to a Rural Hospital in Kenya”, N Engl 92
J
Med, 2005; 352: 39-47.
POBLACIÓN ACCESIBLE
• Si la población es infinita los investigadores solo acceden a una parte de la misma que
generalmente se define por criterios temporales y espaciales, por ejemplo:
1- Todos los pacientes adultos infectados con virus de HIV que concurren a Hospitales
de la Provincia de Buenos Aires entre enero de 2008 y enero de 2009.
2- Todos los pacientes adultos con hipertensión leve libres de tratamiento que
concurran a 4 centros de salud periféricos entre marzo de 2005 y marzo de 2006.
3- Todos los niños menores de 13 años admitidos en el Kilifi Distrct Hospital entre
Agosto de 1998 y Julio de 2002, salvo los que hallan sido admitidos por
procedimientos electivos o para observarlos por accidentes menores.
. Si la población es finita coincide con la población accesible, por ejemplo:
1- Todos los médicos matriculados en la Capital Federal.
2-- En las encuestas las poblaciones son finitas.
93
Sesgo
Sesgo de selección Sesgo de medición
• El sesgo de selección se observa • El sesgo de medición se produce

cuando alguna parte de la cuando el instrumento con el que
población blanco no forma parte se mide, tiene una tendencia a
del marco del muestreo. Ej: diferir del verdadero valor en
• Utilización como marco de alguna dirección. Ej:
muestreo a las líneas telefónicas • Un esfingo manómetro que añade
• Los individuos que se niegan a 5 mmHg en cada medición.
responder. Para que una muestra • Las personas, algunas veces, no
sea válida tendrá que tener una dicen la verdad o no comprenden
baja tasa de no respuesta. las preguntas.
• Las personas olvidan.
94
Sesgo y error muestral
Tirador A Tirador B Tirador C
El tirador A es insesgado: la posición promedio de los tiros está en el centro

del blanco. El tirador B es preciso pero no insesgado: todos los tiros están
juntos, pero de manera sistemática alejados del blanco. El tirador C es
preciso e insesgado: todos los tiros están cerca de sí y del blanco. 95
REFERENCIAS BIBLIOGRAFICAS
•HERNANDEZ SAMPIERI, R. y otros (2001). Metodología de la

investigación. 10ma. edición. México: Mc Graw Hil.
•R. Espinoza, “Metodologia y Diseño de proyectos de
Investigacion “ Universidad Nacional de Ingenieria, Lima -
Peru, 1992
•VALDERRAMA MENDOZA, Santiago (2007). Pasos para
elaborar proyectos y tesis de investigación científica. Lima –
Perú: San Marcos.
•M. Teresa Icart Isern et al “Elaboración y Presentación de un
Proyecto de investigación y una tesina”
•L. Gutiérrez, “Paradigmas Cualitativos y cuantitativos en la
inversión socio-educativa: proyecciones y reflexiones “, Instituto
Pedagógico Rural el Macaro, Caracas -Venezuela, 1989.
•M. Bunge, “La ciencia , su filosofía y su método “, Editorial
Ariel S:A. Barcelona España, 1989.
GRACIAS
97

Semana Vii

Cargado por

Copyright:

Formatos disponibles

Semana Vii

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Semana Vii

Cargado por

Copyright:

Formatos disponibles

¡La universidad para todos!

¡La Universidad para todos!

CURSO: PROYECTO DE INVESTIGACION III

DOCENTE: DR. ING. FERNANDO VASQUEZ PERDOMO

Escuela Profesional Periodo académico: 2019 -2B

• En la setima semana de clases del curso

La representatividad de la muestra depende de dos

b) Del tamaño de la muestra: si el mecanismo

Ejemplo. Tres empresas están investigando el nivel adquisitivo de las

1.- 50 primeras personas que entren en el auditorio.

Muestreo aleatorio Muestreo no aleatorio

Tipos de muestreo aleatorio

Muestreo aleatorio simple: todos los

Muestreo aleatorio estratificado: la Estrato 1 Estrato 2

Tipos de muestreo aleatorio (II)

Muestreo aleatorio sistemático: se

Muestreo por conglomerados y

Tipos de muestreo no aleatorio

Muestras erráticas o casuales

Muestras intencionadas o racionales

Muestras por cuotas

Muestras “bola de nieve”

Distribución en el muestreo de la media

Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes

Distribución en el muestreo de la media

Al ser n = 105, consideramos que la variable aleatoria media muestral es normal.

Teorema central del límite:

1000 lanzamientos de un dado 1000 medias de dos dados

1000 medias de 4 dados 1000 medias de 10 dados 11

Teorema central del límite

Sea X una variable aleatoria de una población de media  y desviación típica ,

¿Qué se entiende por "cuando crece n"?

• Si la población de partida es normal, la distribución de las medias

Teorema central del límite: visión gráfica

Distribución en el muestreo de una proporción

Distribuciones en el muestreo de una proporción

En nuestro caso p = 0,85

30 0,85 0,85(1 – 0,85) N(0,85; 0,065)

100 0,85 0,85(1 – 0,85) N(0,85; 0,036)

• Una vez definido el problema a investigar,

Procedimiento por el cual se extrae, de un conjunto

• Población: Conjunto de unidades de las que se desea

• Muestra: Selección de unas unidades concretas de la

• Disminución de costos ( tiempo, personal, material)

Criterios importantes para la

Salvo en poblaciones muy pequeñas y accesibles nunca

Condiciones que debe cumplir una

Condiciones que debe cumplir una

Condiciones que debe cumplir una “buena”

Si hay sectores diferenciados en la población que se

Es el número de unidades a incluir en la muestra.

Modalidad de Muestreo Seleccionada

La selección de las modalidades de muestreo (

•Todas las unidades tienen igual •Cada unidad NO tiene igual

Ejemplo: ¿Muestreo Probabilístico?

• Se realiza un muestreo entre los alumnos que van a

Este diseño es NO probabilístico porque aquellos que

Ejemplo: ¿Muestreo Probabilístico?