Diseños de Muestreo Estadı́stico

Giovany Babativa, MSc.

Especialización en Estadı́stica
Departamento de Ciencias Básicas
Fundación Universitaria Los Libertadores

11 de octubre de 2013

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:

Esquema Muestral.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

1. Introducción:
Decisiones previas al Muestreo

Objeto de estudio.
Población objetivo (Target).
Base de datos (Marco muestral).
Instrumento.
Tipo de levantamiento.
Encuesta piloto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Universo de Estudio

Definición
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
algún tipo de información. Definir Alcance: Ej. Intención de
voto - ¿Rural?
Población Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigación. Lo anterior se puede dar por razones
operativas, polı́ticas, económicas, etc.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Universo de Estudio

Definición
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
algún tipo de información. Definir Alcance: Ej. Intención de
voto - ¿Rural?
Población Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigación. Lo anterior se puede dar por razones
operativas, polı́ticas, económicas, etc.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Universo de Estudio

Definición
Universo ideal: Se trata del conjunto sobre el cual el
investigador y no propiamente el muestrista pretende obtener
algún tipo de información. Definir Alcance: Ej. Intención de
voto - ¿Rural?
Población Objetivo: Constituye el conjunto de elementos que
partiendo del universo ideal pueden ser realmente alcanzados
por la investigación. Lo anterior se puede dar por razones
operativas, polı́ticas, económicas, etc.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Marco Muestral

Definición
Dispositivo que permite IDENTIFICAR y UBICAR a todos los
elementos de la población objetivo. Ej. Marcos de lista y marcos
por áreas.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones

Muestra: Subconjunto de la población.

Unidad de muestreo: Objeto o elemento susceptible de ser
seleccionado en la muestra.
Unidad de Observación: Es el objeto sobre el cual se realiza al
menos una medición.
elemento: Unidad individual sobre las que se realizan
mediciones.
Conglomerado: Agrupación de elementos.
Error de muestreo: Es el imputable a la aleatoriedad de la
muestra.
Error de no muestreo: es el que se produce en toda la
investigación como consecuencia de definiciones conceptuales
incorrectas, de fallos en los instrumentos de medida, en la
entrevista o en el desarrollo del trabajo de campo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Variables de interés

¿Qué es una variable? yk , zk , xk .

Parámetros a investigar: Totales, razones, proporciones,
indicadores, ı́ndices. Por ejemplo, total de personas que
consumen una categorı́a, proporción de personas que votarán
por xxxx, Ventas por m2.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definiciones
Variables de interés

¿Qué es una variable? yk , zk , xk .

Parámetros a investigar: Totales, razones, proporciones,
indicadores, ı́ndices. Por ejemplo, total de personas que
consumen una categorı́a, proporción de personas que votarán
por xxxx, Ventas por m2.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Determinar el nivel medio de colesterol de la población de

Bogotá a través de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizará, el muestreo es una técnica, una forma de trabajo
que se implementa en FUNCIÓN del objetivo trazado y en esa
medida NO es parte de él.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Determinar el nivel medio de colesterol de la población de

Bogotá a través de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizará, el muestreo es una técnica, una forma de trabajo
que se implementa en FUNCIÓN del objetivo trazado y en esa
medida NO es parte de él.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Determinar el nivel medio de colesterol de la población de

Bogotá a través de una muestra representativa.
No se debe involucrar en el enunciado el procedimiento que
se utilizará, el muestreo es una técnica, una forma de trabajo
que se implementa en FUNCIÓN del objetivo trazado y en esa
medida NO es parte de él.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Comparar el desempeño de los cirujanos antes y después de

recibir el curso de entrenamiento.
COMPARAR – Acción metodológica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Comparar el desempeño de los cirujanos antes y después de

recibir el curso de entrenamiento.
COMPARAR – Acción metodológica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Comparar el desempeño de los cirujanos antes y después de

recibir el curso de entrenamiento.
COMPARAR – Acción metodológica, nunca el acto de
comparar constituye una finalidad. Tal vez la verdadera
finalidad del investigador es evaluar la eficiencia de cierto
entrenamiento.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Realizar una encuesta sobre el consumo de drogas en la

ciudad de Bogotá.
Caso Extremo en el que el acto metodológico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar información que
permita dar respuesta a algunas preguntas de interés sobre
drogadicción, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Realizar una encuesta sobre el consumo de drogas en la

ciudad de Bogotá.
Caso Extremo en el que el acto metodológico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar información que
permita dar respuesta a algunas preguntas de interés sobre
drogadicción, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

OJO con el planteamiento del Objetivo

Realizar una encuesta sobre el consumo de drogas en la

ciudad de Bogotá.
Caso Extremo en el que el acto metodológico (hacer la
encuesta) se ha convertido en la finalidad !!!. Seguramente tal
encuesta quiere hacerse con el fin de recopilar información que
permita dar respuesta a algunas preguntas de interés sobre
drogadicción, naturalmente el problema consiste en obtener
esas respuestas nunca el camino para conseguirlo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Estrategia Muestral

Existen dos grandes categorı́as de métodos de muestreo: El

muestreo probabilı́stico y el muestreo no probabilı́stico.
Muestreo probabilı́stico: Implica que todos los elementos de
una población objetivo tienen una probabilidad CONOCIDA a
priori de ser seleccionados y que al momento de la selección se
aplica un algoritmo aleatorio que garantiza que dichas
probabilidades se cumplan. Su fortaleza radica en la
posibilidad de generalizar a toda la población, generalmente
son muestras costosas.
Muestreo NO probabilı́stico: Son todas las demás muestras
donde el investigador puede influenciar la selección o debido a
la inexistencia de un marco muestral o por ser un target de
difı́cil consecución no es posible conocer las probabilidades a
priori.No es posible hacer inferencia la población, es de bajo
costo y fácil aplicación.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico

A veces, para estudios exploratorios, el muestreo probabilı́stico

resulta excesivamente costoso y se acude a métodos no
probabilı́sticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
r̈epresentativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico

A veces, para estudios exploratorios, el muestreo probabilı́stico

resulta excesivamente costoso y se acude a métodos no
probabilı́sticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
r̈epresentativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico

A veces, para estudios exploratorios, el muestreo probabilı́stico

resulta excesivamente costoso y se acude a métodos no
probabilı́sticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
r̈epresentativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico

A veces, para estudios exploratorios, el muestreo probabilı́stico

resulta excesivamente costoso y se acude a métodos no
probabilı́sticos, aun siendo sabiendo que no sirven para realizar
inferencia. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea
r̈epresentativa”.
Conveniencia
Juicio
Bola de nieve
Por cuotas

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Muestreo de conveniencia, casual o accidental

Busca elementos convenientes para ejecutar un estudio, acá el

investigador selecciona de manera directa e intencionalmente a
ciertos elementos de la población.
Un ejemplo puede ser al crear una encuesta dirigida a niños donde
el investigador puede probar su cuestionario con su hijos o
familiares cercanos. Un caso puede ser dado por los profesores que
usualmente usan a sus alumnos para recolectar algún tipo de
información. No es una metodologı́a usual en la práctica.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Muestreo de Juicio o crı́tico

La muestra se elige con base en el conocimiento que el investigador

tenga sobre su población y la naturaleza de su investigación.
Se debe confiar en el criterio del investigador, muchas veces se usa
en estudios cualitativos (profundización) a través de referidos o
para generar pruebas piloto. Generalmente se caracteriza por ser
algo deliberado por obtener una muestra de elementos
supuestamente representativos, ejemplo: consumidores heavy,
sondeos preelectorales en zonas que en anteriores votaciones han
marcado tendencias de voto.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Muestreo Bola de nieve

Se utiliza principalmente cuando la población objetivo es de difı́cil

localización. Por ejemplo, recicladores, desplazados, etc.
Para llevarlo a cabo se inicia con unos pocos elementos que pueden
responder a las necesidades de la investigación y que a su vez
pueden proporcionar información sobre la ubicación de otros
miembros de la población de interés.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Muestreo por cuotas

Tal vez uno de los más utilizados para hacer estudios exploratorios.
Tiene por objetivo asegurar que los diversos subgrupos de una
población estén representados en la muestra respecto de las
caracterı́sticas pertinentes de la muestra y con la proporción exacta
que el investigador desee.
La velocidad de recopilación de datos, los costos bajos y la
comodidad son sus principales ventajas frente al muestreo de
probabilidad. Generalmente usa criterios pareto para tomar
unidades muestrales en las primeras etapas (juicio) e internamente
se establecen cuotas por celdas generalmente representadas por
variables demográficas.
Diseñar muestra por cuotas

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Mecanismo utilizado para devolver a la muestra al peso diferencial

que tiene en la población. Generalmente usado en muestras para
ajustar una distribución conocida a priori usando la distribución a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabilı́stico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Mecanismo utilizado para devolver a la muestra al peso diferencial

que tiene en la población. Generalmente usado en muestras para
ajustar una distribución conocida a priori usando la distribución a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabilı́stico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Mecanismo utilizado para devolver a la muestra al peso diferencial

que tiene en la población. Generalmente usado en muestras para
ajustar una distribución conocida a priori usando la distribución a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabilı́stico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Mecanismo utilizado para devolver a la muestra al peso diferencial

que tiene en la población. Generalmente usado en muestras para
ajustar una distribución conocida a priori usando la distribución a
posteriori. Las ponderaciones son generalmente usadas cuando:
Muestreo no probabilı́stico - por cuotas.
No respuesta.
Ajuste de distribuciones conocidas no reflejadas por la
muestra.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Algunos métodos para ponderar son:

Pos-estratificación.
Raking o ponderación RIM.
Calibración.
¿por cuáles variables pondero? Construir una ponderación

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Algunos métodos para ponderar son:

Pos-estratificación.
Raking o ponderación RIM.
Calibración.
¿por cuáles variables pondero? Construir una ponderación

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Algunos métodos para ponderar son:

Pos-estratificación.
Raking o ponderación RIM.
Calibración.
¿por cuáles variables pondero? Construir una ponderación

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Algunos métodos para ponderar son:

Pos-estratificación.
Raking o ponderación RIM.
Calibración.
¿por cuáles variables pondero? Construir una ponderación

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo NO probabilı́stico
Ponderación

Algunos métodos para ponderar son:

Pos-estratificación.
Raking o ponderación RIM.
Calibración.
¿por cuáles variables pondero? Construir una ponderación

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Defina a U un universoa de elementos {U1 , . . . , UN } finito y
conocido de antemano con una variable de interés Y que toma
valores {y1 , . . . , yN }. Sea el parámetro θ (medida del universo) una
función de (y1 , . . . , yN ) de esta manera a θ(y1 , . . . , yN ) se
denomina parámetro y se denota θ.
a
En adelante se denominará universo a la población objetivo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
X
ty = yk
U

Promedio: Promedio de ingresos, promedio de ventas...

1 X
yU = yk
N
U

Razón: Personas ocupadas por tipo de establecimiento,

consideración de productos en compradores, Consumo de
gasolina de un auto (Km por galón).
P
yk ty
R = PU =
U zk tz

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
X
ty = yk
U

Promedio: Promedio de ingresos, promedio de ventas...

1 X
yU = yk
N
U

Razón: Personas ocupadas por tipo de establecimiento,

consideración de productos en compradores, Consumo de
gasolina de un auto (Km por galón).
P
yk ty
R = PU =
U zk tz

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
X
ty = yk
U

Promedio: Promedio de ingresos, promedio de ventas...

1 X
yU = yk
N
U

Razón: Personas ocupadas por tipo de establecimiento,

consideración de productos en compradores, Consumo de
gasolina de un auto (Km por galón).
P
yk ty
R = PU =
U zk tz

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos
Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
X
ty = yk
U

Promedio: Promedio de ingresos, promedio de ventas...

1 X
yU = yk
N
U

Razón: Personas ocupadas por tipo de establecimiento,

consideración de productos en compradores, Consumo de
gasolina de un auto (Km por galón).
P
yk ty
R = PU =
U zk tz

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Sea s una muestra de elementos con mediciones y1 , . . . , yns . Se
define el estimador θ,
b una función de los valores de la muestra, se
busca de tal manera que apunte al valor del parámetro θ.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
bty =?

Promedio: Promedio de ingresos, promedio de ventas...

1 X
ys = yk
ns s
s
Y
yes = ns yk
s

Note que la proporción, promedio y razón son casos particulares de

la estimación de un total.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
bty =?

Promedio: Promedio de ingresos, promedio de ventas...

1 X
ys = yk
ns s
s
Y
yes = ns yk
s

Note que la proporción, promedio y razón son casos particulares de

la estimación de un total.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
bty =?

Promedio: Promedio de ingresos, promedio de ventas...

1 X
ys = yk
ns s
s
Y
yes = ns yk
s

Note que la proporción, promedio y razón son casos particulares de

la estimación de un total.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
bty =?

Promedio: Promedio de ingresos, promedio de ventas...

1 X
ys = yk
ns s
s
Y
yes = ns yk
s

Note que la proporción, promedio y razón son casos particulares de

la estimación de un total.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Ejemplo
Total: Demanda, consumidores de cerveza, enfermos de xyw.
bty =?

Promedio: Promedio de ingresos, promedio de ventas...

1 X
ys = yk
ns s
s
Y
yes = ns yk
s

Note que la proporción, promedio y razón son casos particulares de

la estimación de un total.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Entre las propiedades de un buen estimador están:
E(θ)
b =θ
b →0
V(θ)
$↓

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Entre las propiedades de un buen estimador están:
E(θ)
b =θ
b →0
V(θ)
$↓

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Entre las propiedades de un buen estimador están:
E(θ)
b =θ
b →0
V(θ)
$↓

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Definición
Entre las propiedades de un buen estimador están:
E(θ)
b =θ
b →0
V(θ)
$↓

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Una vez hecha la estimación la validez está dada por la estimación

por intervalo
Definición
Si θb es una función basada en una suma de variables aleatorias
independientes el teorema central de lı́mite permite encontrar una
expresión para la estimación por intervalo bajo ciertas condiciones
de regularidad. En caso de que E(θ) b = θ se espera con una
confiabilidad del (1 − α)100 % que:
 q q 
θ ∈ θb − z1−α/2 V (θ), b θb + z1−α/2 V (θ) b ,

donde z1−α/2 es el percentil correspondiente en una distribución

normal estándar.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Remark
1. Lo que se distribuye normal es el estadı́stico y no la variable de
interés.
2. La distribución de la variable de interés es invariante
independiente del tamaño de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hipótesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Remark
1. Lo que se distribuye normal es el estadı́stico y no la variable de
interés.
2. La distribución de la variable de interés es invariante
independiente del tamaño de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hipótesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Remark
1. Lo que se distribuye normal es el estadı́stico y no la variable de
interés.
2. La distribución de la variable de interés es invariante
independiente del tamaño de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hipótesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Probabilı́stico
Conceptos Básicos

Remark
1. Lo que se distribuye normal es el estadı́stico y no la variable de
interés.
2. La distribución de la variable de interés es invariante
independiente del tamaño de muestra.
3. Para estudios en tendencia no es suficiente con comparar
estimaciones puntuales, sino que debe hacerse la prueba de
hipótesis correspondiente para determinar si existe diferencia
significativa. Ejemplo: Tasa de desempleo.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Teorema Central de Lı́mite
Método de Monte Carlo

Ejercicio
Simule 100 muestra de tamaño 1000 proveniente de una
distribución uniforme en (0, 1). Calcule el estadı́stico ȳs para cada
una de las 100 muestras y realice los histogramas para
n = 5, 10, 15, 20, 25, 30, 40, 50, 60, 80, 100. Concluya.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Definición
Sea s ⊆ U una muestra probabilı́stica y sea S el conjunto de todas
las muestras posibles. La función de medida de probabilidad:

P :S → (0, 1)
si 7→ p(si )

Dado el conjunto S, un diseño de muestreo es una función p(·),

tal que p(si ) es la probabilidad de que la muestra i sea la
seleccionada.

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Ejemplos:
1. Muestreo Aleatorio Simple. MAS(N, n)


1
 N Para toda muestra de tamaño n de N sin repocisión
p(si ) = ( n )
 0 en otro caso
(1)
n corresponde al tamaño de la muestra mientras que N
corresponde al tamaño del universo.
Construir un espacio muestral basado en el gasto de 8 personas
con muestras de a 3 elementos

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Ejemplos:
1. Muestreo Aleatorio Simple. MAS(N, n)


1
 N Para toda muestra de tamaño n de N sin repocisión
p(si ) = ( n )
 0 en otro caso
(1)
n corresponde al tamaño de la muestra mientras que N
corresponde al tamaño del universo.
Construir un espacio muestral basado en el gasto de 8 personas
con muestras de a 3 elementos

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Aleatorio Simple. MAS(N, n)
Mecanismo de selección

1 Algoritmo Coordinado Negativo: Sea ξk ∼ U(0, 1) usando

Y : y1 y2 . . . yN
el arreglo
ξ: ξ1 ξ2 . . . ξN
se puede obtener una muestra de tamaño n donde todos los
elementos y muestras tienen la misma probabilidad de ser
seleccionados. El algoritmo consiste en ordenar el marco
muestral desde el aleatorio más pequeño hasta el más grande
y seleccionar los primeros n elementos, ası́:
Y: yl yk . . . yj . . . yi
ξ: ξ(1) ξ(2) . . . ξ(n) . . . ξ(N)

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico

Muestreo Aleatorio Simple. MAS(N, n)
Mecanismo de selección

2. Algoritmo Fan-Muller & Rezucha (1962): denominado

método de selección rechazo...completar

Giovany Babativa, MSc. Diseños de Muestreo Estadı́stico