Estadística
DMAE E003
Prof. Edmundo Peña Rozas
Muestreo
En general, una población es un conjunto finito o
infinito de personas, animales o cosas (por
ejemplo historiales clínicos) que presentan
características comunes y sobre las cuales se
realiza alguna investigación. Dicho de una
manera un poco más rigurosa, una población se
puede definir como la totalidad de valores
posibles (mediciones o conteos) de una
característica particular, de un grupo claramente
especificado de personas, animales o cosas que
se desean estudiar.
El grupo especificado de objetos se llama
Universo, y corresponde a la totalidad de
elementos o características que conforman el
ámbito de un estudio o investigación.
Obviamente, un universo puede tener varias
poblaciones asociadas con él.
En general, no se hace mayor distinción entre
población y universo, hablando simplemente de
población o universo, de tal manera que podemos
definir una población como el conjunto de
elementos que poseen una o más
características bien definidas, sobre las
cuales deseamos hacer alguna inferencia,
donde los elementos que componen la
población y sobre los cuales se toman las
mediciones se denominan unidades
elementales.
Las poblaciones pueden ser finitas o infinitas, una
población infinita corresponde a un número muy
grande de unidades elementales1, de tal manera
que no es posible obtener información de la
totalidad de ella, por lo que cualquier decisión
debe basarse solo en la información obtenida a
partir de una fracción de dicha población; una
población finita en cambio es aquella que no es
indefinidamente grande y que por lo mismo,
contiene un número finito de unidades
elementales.
En principio uno puede pensar que al hacer una
investigación, el óptimo es medir las
características de interés de toda la población, sin
1
Una unidad elemental es el objeto o individuo del que se
toman las mediciones
embargo, en algunos casos esto es imposible o
al menos muy difícil debido a la imposibilidad
práctica de efectuar mediciones sobre el total de
las unidades elementales que componen cierta
población, o al alto costo en tiempo, dinero y en
general de recursos que ello implica. El trabajar
con una muestra sugiere ciertas ventajas
respecto del censo, a saber, Menor costo, Mayor
rapidez, Mayor exactitud y mayores
posibilidades.
Para conocer las características de la población,
existen métodos distintos al censo cuyos costos
en tiempo, personal y dinero se reducen
considerablemente. Estos métodos consisten
básicamente en tomar una muestra, que en un
sentido amplio no es más que considerar una
fracción o subconjunto de la población y los
resultados que de ahí se obtienen, extrapolarlos
a la totalidad de la población.
Lo que se busca al emplear una muestra es que,
observando una porción relativamente reducida
de la población, se obtengan conclusiones
semejantes a las que lograríamos si
estudiáramos la población total. Cuando una
muestra cumple con esta condición, es decir,
cuando nos refleja en sus unidades lo que ocurre
en la población, la llamamos muestra
representativa. Sus conclusiones son
susceptibles de ser generalizadas a la población,
aunque para ello debamos añadir un cierto
margen de error a las inferencias que se hagan,
debido a que lamentablemente no hay forma de
garantizar con un 100% de certeza que la
muestra que se seleccione resulte finalmente ser
representativa de la población.
Elegir una muestra representativa es un
problema importante en las investigaciones
estadísticas. Una muestra representativa, puede
proporcionar una visión útil de la naturaleza de la
población que se estudia, mientras que una
muestra no representativa puede sugerir
conclusiones incorrectas sobre la población.
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
El trabajar con una muestra sugiere ciertas
ventajas respecto del censo, estas son:
 Menor costo: Al obtener datos de solo una
fracción de la población, los gastos asociados
a estas mediciones son menores a los que se
tendrían al efectuar las mediciones sobre el
total de la población.
 Mayor rapidez: Por tratarse de un menor
volumen de datos, la recolección,
procesamiento y resumen de los datos puede
realizarse en menos tiempo, situación muy
relevante cuando se necesita información
con carácter de urgente.
 Mayor exactitud: Debido a que el volumen
de datos a recolectar es menor, se requiere
de menos personal para que realice esta
labor, por lo cual éste podrá ser capacitado
de mejor manera, será posible también una
mejor supervisión de campo, redundando
esto en que los datos obtenidos con una
muestra serán de mejor calidad respecto de
los que se obtendrían al censar la población.
 Más posibilidades: En determinadas
investigaciones, la obtención de los datos
requiere de los servicios de personal o equipo
altamente especializado, de tal manera que
no es factible realizar una enumeración
completa de la población. Aquellas
encuestas que están basadas en el método
de muestreo tienen un mayor alcance y
flexibilidad respecto de la información que
puede obtenerse, puesto que el personal
encargado de obtener esta información
estará mejor capacitado por ser un grupo
reducido.
El muestreo es una herramienta de la
investigación científica. Su función básica es
determinar que parte de una realidad en estudio
(población) es necesaria para hacer inferencias
estadísticamente válidas sobre dicha población.
El error que se comete debido al hecho de que se
obtienen conclusiones sobre cierta realidad a
partir de la observación de sólo una parte de ella,
corresponde a un error de estimación que se
denomina error de muestreo o error muestral.
2 La unidad de muestreo es una colección de uno o más
El Marco Muestral es una lista o mapa de las unidades de
muestreo que conforman la población. Forma el material
básico para la selección de la muestra. El marco muestral
debe contener todas las unidades de muestreo que
conforman la población bajo estudio y debe excluir unidades
de cualquier otra población.
El error de muestreo se puede en algunos casos,
controlar con un diseño cuidadoso de la muestra,
sin embargo, existe otro tipo de errores
denominados errores de no muestreo cuya
detección y control es mucho más difícil de llevar
a cabo, siendo difíciles de medir y crecientes a
medida que aumenta el tamaño de la muestra.
Los errores de no muestreo pueden tener su
origen en:
 Definición equivocada del problema
 Definición defectuosa de la población
 Marco muestral2 imperfecto o no actualizado
(lista o mapa de las unidades elementales)
 No respuesta
 Sesgo en la respuesta
 Diseño pobre del cuestionario
Cabe recordar que el sesgo corresponde a un
error en las mediciones de la variable respuesta,
que son sistemáticamente diferentes de los datos
reales
Anteriormente se indicó que para que las
conclusiones que se obtienen a partir de una
muestra puedan se proyectadas a la población,
es necesario que esta muestra sea
representativa de la población en estudio. A
priori, es imposible saber si una muestra es
representativa o no, de tal manera que es
necesario recurrir a procedimientos estadísticos
capaces de indicarnos con que nivel de confianza
se trabaja al escoger una determinada muestra.
MUESTREO PROBABILÍSTICO
El muestreo probabilístico tiene como
característica principal que todo elemento de la
población tiene una determinada probabilidad de
integrar la muestra, y que esa probabilidad puede
ser calculada matemáticamente con precisión.
Este tipo de muestreo, asegura que la aparición
de cualquier unidad elemental de la población en
una muestra, tiene una probabilidad conocida o al
menos calculable. Este tipo de muestreo
garantiza la representatividad de la muestra
respecto de su población, las muestras que se
van obteniendo de la población son
elementos de la población. Las unidades cubren toda la
población. Una unidad de muestreo debe ser claramente
definida, identificable y observable.
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
representativas de la misma y es el único
científicamente válido.
Para que esto suceda así es necesario proceder
a la extracción de la muestra mediante ciertas
técnicas, capaces de garantizarnos que cada
elemento de la misma posea una probabilidad
conocida de aparecer en ella. Los procedimientos
más usuales para la obtención de muestras
aleatorias son los siguientes:
 Muestreo Aleatorio Simple
 Muestreo Sistemático
 Muestreo Estratificado
 Muestreo por Conglomerados
Muestreo Aleatorio Simple (M.A.S.)
El muestreo aleatorio simple es un método
probabilístico de
selección de n características.
unidades obtenidas
a partir de una
población de tamaño
N, de tal manera que
cada una de las
posibles muestras (NCn) tiene la misma
probabilidad de ser escogida, y de tal manera
que en cualquier etapa del proceso de obtención
de la muestra, el procedimiento ofrece la
oportunidad de que todas las unidades
poblacionales que no han sido seleccionadas
previamente tengan igual probabilidad de
elección.
El procedimiento de muestreo consiste en
enumerar las unidades de la población de 1 a N.
A continuación se sacan series de números al
azar entre 1 y N, ya sea por medio de una tabla
de números aleatorios, una herramienta
computacional o colocando los números de 1 a N
en una urna y mezclándolos perfectamente. Si
se usa una urna, los n números se extraen en
sucesión. Las unidades asociadas e estos
números constituyen la muestra.
Cuando un número ha sido sacado de la urna,
éste no es remplazado, ya que esto daría lugar a
que la misma unidad entrara en la muestra más
de una vez. Por esta razón, el muestreo es
descrito como sin remplazo o sin reposición.
De igual modo, si se emplea una tabla de
números aleatorios o un dispositivo
computacional para la generación de números
aleatorios, el número que haya sido seleccionado
previamente debe ser ignorado.
El muestreo con remplazo o con reposición es
técnicamente factible pero su aplicación debe ser
considerada solamente en aquellos casos en que
se justifique la posibilidad de tener a un mismo
objeto más de una vez en la muestra.
Este método de muestreo garantiza una
selección completamente aleatoria pero,
dependiendo del tamaño de la población y de la
muestra, así como de las herramientas
disponibles, puede resultar muy lento y costoso
pues obliga a elaborar listas completas de todas
las unidades de interés, lo cual a veces resulta
sencillamente imposible. Por otra parte, este
método de muestreo requiere que la población en
estudio sea más bien homogénea, es decir, que
los sujetos tienen más o menos de las mismas
Este método no será adecuado si, por ejemplo,
queremos sacar una muestra de todas las
personas analfabetas que existen en un país,
pues por su número y por lo indeterminado de su
situación nos será imposible confeccionar la lista
de todas las que existen. En cambio, si nuestra
intención es extraer una muestra del universo de
todos los alumnos que ingresan a una
universidad en un determinado año, resultará un
método adecuado, puesto que se trata de una
cantidad menor de unidades que además están
registradas y en listas pertinentes.
Ejemplo:
En un hospital se tienen enumerados a todos los
pacientes atendidos durante un mes. Para
seleccionar una muestra se utiliza un programa
para generar números aleatorios o una tabla de
números aleatorios de donde se seleccionan n
números, los que representan a los pacientes que
formaran parte de la muestra.
Muestreo Sistemático
Este procedimiento exige, como en el muestreo
aleatorio
simple,
numerar todos
los elementos
de la población,
pero en lugar
de extraer al azar los n elementos de la muestra,
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
sólo se extrae uno. Se parte de ese número
aleatorio i, que es un número elegido al azar, y
los elementos que integran la muestra son los
que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k,
es decir se toman los individuos de k en k, siendo
k el resultado de dividir el tamaño de la población
por el tamaño de la muestra: k= N/n. El número i
que empleamos como punto de partida será un
número al azar entre 1 y k.
El riesgo que presenta en este tipo de muestreo
se encuentra en los casos en que se dan
periodicidades en el marco muestral (lista o mapa
de las unidades de muestreo que conforman la
población) ya que al elegir los elementos de la
muestra con una periodicidad constante (k)
podemos introducir una homogeneidad que no se
da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10
individuos en los que los 5 primeros son varones
y los 5 últimos mujeres, si empleamos un
muestreo aleatorio sistemático con k=10 siempre
seleccionaríamos o sólo hombres o sólo mujeres,
no podría haber una representación de los dos
sexos
Algunas ventajas y desventajas del muestreo
sistemático respecto del aleatorio simple son:
 El muestreo sistemático es ampliamente
usado debido principalmente a que simplifica
el proceso de selección de la muestra.
 Es más fácil de llevar a cabo en el campo, y
por lo tanto, a diferencia de MAS, está menos
expuesto a los errores de selección que
cometen los investigadores de campo.
 Es preferible al MAS, cuando la población
está “ordenada al azar” y su tamaño N es
grande.
 La precisión que proporciona el muestreo
sistemático depende del orden de las
unidades de muestreo en el marco. Si la
población tiene una “buena ordenación”, la
muestra sistemática se extenderá
uniformemente sobre toda la población y, por
lo tanto, puede proporcionar más información
acerca de la población que una cantidad
equivalente de datos contenida en una
muestra aleatoria simple
 Puede ser aplicable en investigaciones de
mercado con carencia de MARCO muestral
(total o parcial). Un entrevistador bien
capacitado puede seleccionar a cada
vigésimo cliente que llega a un
supermercado, sin necesidad de contar con
una lista de clientes.
 Si la población a muestrear es periódica, es
decir los elementos del MARCO tienen
variación cíclica que coincide con el múltiplo
del tamaño del intervalo muestral (k), esta
periodicidad debe eliminarse del MARCO
cambiando el orden de los elementos o
adoptando algún otro procedimiento de
muestreo
El Marco muestral del que se a hecho mención no
es más que una lista o mapa de las unidades de
muestreo que conforman la población.. El marco
muestral debe contener todas las unidades que
conforman la población bajo estudio y debe
excluir unidades de cualquier otra población. El
marco muestral es de vital importancia en un
estudio por muestreo, pues a partir de éste se
seleccionará la muestra.
Ejemplo:
En un hospital se tienen enumerados a todos los
pacientes atendidos durante un mes. Para
seleccionar una muestra se elige a un paciente al
azar y luego se selecciona a un paciente cada 15
pacientes.
Muestreo Estratificado
Este método de muestreo supone que una
población de tamaño N es
posible de subdividir de
acuerdo a alguna variable
de interés para la
investigación, en k sub-
poblaciones menores de
tamaños N1, N2, …, Nk
que denominamos
estratos y que se caracterizan por ser
mutuamente excluyentes, exhaustivos,
heterogéneos entre sí pero homogéneos al
interior de cada uno de ellos. Cada uno de estos
estratos se toma luego como una población
particular de tamaño más reducido, para en cada
uno de ellos seleccionar muestras aleatorias de
tamaños n1, n2, …, nk., cuya suma arroja el
tamaño total de la muestra
Por ejemplo, si quisiéramos estudiar las actitudes
políticas de los estudiantes de una universidad,
podríamos subdividirlos en estratos de acuerdo al
tipo de estudios que cursen, asumiendo que
estas actitudes van a ser diferentes entre quienes
siguen Ingeniería, Letras, Medicina u otras
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
carreras. Luego efectuaríamos un muestreo
dentro de cada sub-población así definida para,
finalmente, realizar un análisis integrando los
resultados de todas las sub-muestras obtenidas.
Lo que se pretende con este tipo de muestreo es
asegurarse de que todos los estratos de interés
estén representados adecuadamente en la
muestra.
La distribución del tamaño de la muestra en
función de los diferentes estratos se denomina
afijación, y puede ser de diferentes tipos:
 Afijación Simple: A cada estrato le
corresponde igual número de elementos
muéstrales. En este tipo de afijación, los
distintos estratos estarán adecuadamente
representados en la muestra solamente si a
nivel poblacional los estratos son de igual
tamaño o al menos muy similares, en caso
contrario, algunos estratos podrán tener en la
muestra una representación distinta a la que
realmente les corresponde, generando con
ello una muestra poco representativa y
ocasionando con ello errores en las
inferencias que se hagan.
 Afijación Proporcional: En la afijación
proporcional, el tamaño muestral de cada
estrato es proporcional al tamaño del estrato
en la población total.
 Afijación Óptima: para la determinación de
los tamaños de muestra en cada estrato se
tiene en cuenta el nivel de dispersión
existente en cada uno de ellos, de tal manera
que en la muestra, los estratos menos
homogéneos deberán aportar menos
unidades que los estratos más heterogéneos.
Ejemplo:
En un hospital se tienen enumerados a todos los
pacientes atendidos durante un mes, se separa la
población en tres grupos etareos: (1) menores de
20 años, (2) entre 20 y 40 años y (3) mayores de
40 años. Para cada grupo se selecciona una
muestra aleatoria.
Muestreo por Conglomerados:
Esta técnica tiene utilidad cuando la población en
estudio permite su subdivisión en poblaciones
menores de
características
similares a las
de la población
total. Cuando es
posible asumir
tal cosa se
procede a
subdividir la
población en un número finito de conglomerados
y, entre ellos, se pasa a escoger algunos que
serán los únicos que se procederá a investigar.
Esta elección puede realizarse ya sea por el
muestreo aleatorio simple o del muestreo
sistemático. Una vez cumplida esta etapa puede
efectuarse una segunda selección, dentro de
cada uno de los conglomerados elegidos, para
llegar a un número aún más reducido de unidades
muestrales.
La ventaja de esta técnica es que evita la tarea
de confeccionar el listado con todas las unidades
del universo, lo cual, como hemos visto, en
muchos casos resulta imposible de hacer. Su
desventaja mayor radica en que, al efectuarse el
muestreo en dos etapas, los errores muestrales
de cada una se van acumulando, dando un error
algo mayor que para los métodos descritos
anteriormente.
La técnica de los conglomerados suele utilizarse
cuando queremos extraer muestras de los
habitantes de un conjunto geográfico amplio, por
ejemplo, una gran ciudad o un conjunto de
aldeas, por lo que se procede a tomar cada aldea
o grupo de manzanas como un conglomerado
independiente. Del mismo modo se la utiliza para
investigar reservas forestales y marinas,
estrellas, productos industriales y otros universos
relativamente semejantes.
TAMAÑO DE MUESTRA Y ERROR
MUESTRAL
El error que se comete debido a que se obtienen
conclusiones sobre cierta realidad a partir de la
observación de sólo una parte de ella, se
denomina error de muestreo (o error muestral).
Este error de muestreo lo que entrega es una
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
medida en términos porcentuales de la diferencia
que se espera al comparar el valor de un
parámetro de la población con su respectivo
estimador muestral.
Se debe tener muy en claro de que por muy bien
que se diseñe un plan de muestreo, es
prácticamente imposible que una muestra
represente exactamente a la población, de tal
manera que lo que se debe pretender es que la
diferencia que se produce entre el verdadero
valor de un parámetro de dicha población y la
estimación que de él se obtiene a partir de la
muestra, sea lo menor posible. De lo anterior se
deduce que un estimador muestral será más o
menos preciso en la medida de que su error
muestral sea también más o menos pequeño.
En términos más prácticos se entenderá por error
de muestreo o error muestral a la diferencia que
se produce al comparar un valor calculado a partir
de una muestra con el valor que se debería haber
obtenido si se hubiese considerado toda la
población.
A medida que incrementamos el tamaño de la
muestra el error tiende a reducirse, pues la
muestra va acercándose más al tamaño de la
población. Del mismo modo, para una muestra
determinada, su error será menor cuanto más
pequeña sea la población a partir del cual se la
ha seleccionado.
De lo anterior se puede inferir que en la
medida de que se incrementa el tamaño de la
muestra, el error muestral debe ir
reduciéndose, debido a que la muestra va
acercándose más al tamaño de la población.
Idealmente, para fijar el tamaño de muestra
adecuado a cada investigación es preciso
primero determinar el porcentaje de error que
estamos dispuestos a admitir. Una vez hecho
esto deberán realizarse las operaciones
algebraicas correspondientes para poder calcular
el tamaño de la muestra que nos permita
situarnos dentro del margen de error aceptado.
Es decir que no se fija primero el número de
unidades de la muestra para luego proceder a
determinar el riesgo que se corre, sino a la
inversa, se pone un límite a este riesgo y en
función de ese valor se define el tamaño de la
muestra que nos garantiza no sobrepasarlo.
Anteriormente se señaló que mientras mayor sea
el tamaño de la muestra, menor debe ser el error
muestral, sin embargo, se debe de tener en
cuenta que factores como el incremento de
costos, el tiempo requerido para efectuar la
investigación así como la pérdida de confiabilidad
al tener muestras demasiado grandes puede
incidir directamente en la decisión de la
determinación del tamaño de la muestra,
debiendo en muchos casos aceptar el error de
muestreo que el tamaño muestral permitido
origine; en esta situación, definido el tamaño de
la muestra es posible mediante una
transformación algebraica de las formulas
existentes para calcular el tamaño muestral,
obtener el error de muestreo.
Por otra parte, la disminución del error muestral
no es linealmente proporcional al aumento del
tamaño de la muestra, de tal manera que para
una determinada investigación, disminuir en
alguna medida el error de muestreo puede
significar aumentar el tamaño de muestra en una
magnitud tal que por los costos asociados a ello
no justifique el aumento del tamaño muestral.
Se debe tener presente además que el error
muestral nunca debe calcularse como un
porcentaje del tamaño de la muestra respecto
de la población.
Para determinar el tamaño de muestra se debe
distinguir si el parámetro que se desea estimar
corresponde a una proporción o a una media.
Cálculo del tamaño de muestra para la media
En el caso de tener una población finita y de
tamaño conocido, el tamaño de muestra se
obtiene aplicando la siguiente expresión
N  Z12 2   2
n
Z12 2   2  e2  N  1
Si la población es infinita o de tamaño
desconocido, el tamaño de muestra se obtiene
aplicando la siguiente expresión:
Estadística
DMAE E003
Prof. Edmundo Peña Rozas
Z12  2
n  2
2
e
Si se dispone del tamaño (al menos aproximado)
de la población, es posible realizar un ajuste
sobre el tamaño de la muestra mediante la
siguiente corrección:
n0
n
n
1 0
N
En la práctica se calcula n0, y luego la fracción
n0/N. Si esta fracción es menor de 0.05, nos
quedamos con n0 como tamaño de muestra o, en
caso contrario se calcula n.
Donde:
N= Tamaño de la población
e= Error máximo admisible
σ2= Varianza de la población
Z1-α/2= Valor tabulado de la distribución normal a
un nivel de confianza del (1-α)%
En la práctica se calcula n0, y luego la fracción
n0/N. Si esta fracción es menor de 0.05, nos
quedamos con n0 como tamaño de muestra o, en
caso contrario se calcula n.
El problema que usualmente se presenta es que
la varianza de la población es desconocida. En
este caso se puede obtener una estimación de la
varianza utilizando uno de los siguientes
procedimientos:
 Obtener un estimador de σ2 de alguna
investigación o estudio previo, o de
poblaciones que se supone son
parecidas a la que es objeto de estudio.
 Se estima σ2 por medio de una muestra
piloto de tamaño n’.
Cálculo del tamaño de muestra para una
proporción
En el caso de tener una población finita y de
tamaño conocido, el tamaño de muestra se
obtiene aplicando la siguiente expresión:
N  Z12 2  pq
n
Z12 2  pq  e 2  N  1
Si la población es infinita o de tamaño
desconocido, el tamaño de muestra se obtiene
aplicando la siguiente expresión:
Z12 pq
n0  2
2
e
Si se dispone del tamaño (al menos aproximado)
de la población, es posible realizar un ajuste
sobre el tamaño de la muestra mediante la
siguiente corrección:
n0
n
n
1 0
N
En la práctica se calcula n0, y luego la fracción
n0/N. Si esta fracción es menor de 0.05, nos
quedamos con n0 como tamaño de muestra o, en
caso contrario se calcula n.
Donde:
N= Tamaño de la población
e= Error máximo admisible
p= Valor de la proporción de la población
pq= Varianza de la proporción (q=1-p)
Z1-α/2= Valor tabulado de la distribución normal a
un nivel de confianza del (1-α)%
El problema que usualmente se presenta es que
la varianza de la población es desconocida. En
este caso se puede obtener una estimación de la
varianza utilizando uno de los siguientes
procedimientos:
 Obtener un estimador de σ2=pq de
alguna investigación o estudio previo, o
de poblaciones que se supone son
parecidas a la que es objeto de estudio.
 Se estima σ2=pq por medio de una
muestra piloto de tamaño n’.
 Si la proporción p no es muy pequeña, se
estima la varianza máxima (pq=0.25)
Estadística
DMAE E003
Prof. Edmundo Peña Rozas

3. ¿Cuál es el tamaño de muestra mínimo

1. Determinar el tamaño de muestra necesario
para estimar la proporción de habitantes de
la comuna de Concepción que valora
positivamente la calidad de los servicios de
transporte de la comuna. Considere un nivel
de confianza del 95% y un error de muestreo
que no exceda del 3%. De acuerdo al censo
de población de 2017, la población total de la
comuna alcanza a 223.574 habitantes.
necesario para estimar la proporción de niños
de entre 10 y 15 años de la región del Biobío?
Considere un error máximo admisible del 4%
y un 99% de confianza. Utilice la siguiente
referencia para obtener una aproximación de
la proporción de niños insulino resistentes:
Mardones, Francisco, Arnaiz, Pilar, Barja, Salesa,
Giadach, Carolina, Villarroel, Luis, Domínguez,
Angélica, Castillo, Oscar, & Farías, Marcelo.
(2013). Estado nutricional, síndrome metabólico y
resistencia a la insulina en niños de Santiago,
Chile. Nutrición Hospitalaria, 28(6), 1999-
2005. https://dx.doi.org/10.3305/nh.2013.28.6.677
0

2. Determinar el tamaño de muestra necesario

para estimar con un 90% de confianza la
ingesta promedio diaria de carbohidratos de
los estudiantes universitarios del país, con un
error de muestreo que no exceda de 20
gramos. De acuerdo a un estudio sobre el
consumo de alimentos en estudiantes
universitarios en un país de similares
características a la nuestra, la desviación
estándar del consumo de carbohidratos es
aproximadamente de 217 gramos.