Tipos De Muestreo

Los tipos de muestreo son una herramienta útil al momento de intentar tomar una decisión importante, como a su vez dan la posibilidad de convertir o realizar un análisis de todos los elementos de una población(en un censo), ayuda a la selección de una muestra, entendiendo por una parte representativa de la población.

El muestreo es por lo tanto una herramienta de la investigación científica, cuya función básica es determinar que parte de una población debe examinarse con la finalidad de hacer inferencias sobre dicha población.

La muestra debe lograr una representación adecuada de la población, en la que se reproduzca de la mejor manera los rasgos esenciales de dicha población que son importantes para la investigación. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las similitudes y diferencias encontradas en la población, es decir ejemplificar las características de esta.

Los errores más comunes que se pueden cometer son:

1.- Hacer conclusiones muy generales a partir de la observación de sólo una parte de la Población, se denomina error de muestreo.

2.- Hacer conclusiones hacia una Población mucho más grandes de la que originalmente se tomo la muestra. Error de Inferencia.

En la estadística se usa la palabra población para referirse no sólo a personas si no a todos los elementos que han sido escogidos para su estudio y el término muestra se usa para describir una porción escogida de la población.  

TIPOS DE MUESTREO

Existen distintos tipos de muestreo de clasificación de diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos:

Métodos de muestreo probabilístico

Métodos de muestreo no probabilístico

I. Muestreo probabilístico

Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo estos métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída y son, por tanto, los más recomendables.

II. Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no sirven para realizar generalizaciones (estimaciones inferenciales sobre la población), pues no se tiene certeza de que la muestra extraída sea representativa, ya que no todos los sujetos de la población tienen la misma probabilidad de se elegidos. En general se seleccionan a los sujetos siguiendo determinados criterios procurando, en la medida de lo posible, que la muestra sea representativa.

En algunas circunstancias los métodos estadísticos y epidemiológicos permiten resolver los problemas de representatividad aun en situaciones de muestreo no probabilístico, por ejemplo los estudios de caso-control, donde los casos no son seleccionados aleatoriamente de la población.

Muestreo Probabilístico

Muestreo aleatorio

Las principales ventajas de estudiar una población a partir de una muestra son:

- Coste reducido:

Si los datos que buscamos los podemos obtener a partir de una pequeña parte del total de la población, los gastos de recogida y tratamiento de los datos serán menores. Por ejemplo, cuando se realizan encuestas previas a unas elecciones, es más barato preguntar a 4.000 personas su intención de voto, que a 30.000.000, aparte que entrevistar a todo el censo electoral supone una duración excesiva en tiempo del trabajo de campo.

- Mayor rapidez:

Estamos acostumbrados a ver cómo con los resultados del escrutinio de las primeras mesas electorales, se obtiene una aproximación bastante buena del resultado final de unas elecciones, muchas horas antes de que el recuento final de votos haya finalizado;

- Más posibilidades:

Para hacer cierto tipo de estudios, por ejemplo el de la duración de un cierto tipo de bombillas hasta que dejan de funcionar, no es posible en la práctica destruirlas todas para conocer su vida media, ya que no quedaría nada que vender. Es mejor destruir sólo una pequeña parte de ellas y sacar conclusiones sobre las demás.

- Se puede conseguir el nivel deseado de precisión en los resultados obtenidos.

De este modo se ve que al hacer estadística inferencial debemos enfrentarnos con dos problemas:

- Elección de la muestra (muestreo), que es a lo que nos dedicaremos en este tema.

- Extrapolación de las conclusiones obtenidas sobre la muestra, al resto de la población (inferencia), es lo que haremos en los temas siguientes.

El tipo de muestreo más importante es el muestreo aleatorio, en el que todas las unidades del universo tienen la misma probabilidad de ser seleccionadas.

Consideremos una población finita, de la que deseamos extraer una muestra. Cuando el proceso de extracción es tal que garantiza a cada uno de los elementos del universo la misma oportunidad de ser incluidos en dicha muestra, denominamos al proceso de selección muestreo aleatorio.

El muestreo aleatorio se puede plantear bajo dos puntos de vista:

- Sin reposición de los elementos;

- Con reposición.

Muestreo aleatorio con reposición o muestreo aleatorio simple

Sobre una población de tamaño N podemos realizar extracciones de n elementos, pero de modo que cada vez el elemento extraído es repuesto al total del universo. De esta forma un elemento puede ser extraído varias veces.

El muestreo aleatorio con reposición es también denominado muestreo aleatorio simple, que como hemos mencionado se caracteriza por que:

- cada elemento del universo tiene la misma probabilidad de ser elegido,

- las observaciones se realizan con reemplazamiento. De este modo, cada observación es realizada sobre el mismo universo (no disminuye con las extracciones sucesivas).

- Se garantiza la independencia entre las unidades seleccionadas.

Desventaja del muestreo con reposición: una misma unidad puede ser seleccionada varias veces en una misma muestra, por lo que no se incrementa la información. Sin embargo, si el universo es muy grande la probabilidad de que esto ocurra es muy pequeña.×

P(obtener una determinada muestra) = P(x1,x2,..,xn)= 1/N× 1/N× …×1/N

Muestreo aleatorio sin reposición o muestreo irrestricto

Cada vez que se hace una extracción, la unidad seleccionada no se devuelve al universo.

Por lo tanto, no se permite que una misma unidad sea seleccionada más de una vez. Esto hace variar la probabilidad de obtener una determinada muestra:

P(obtener una determinada muestra) = P(x1,x2,..,xn)= 1/N× 1/N-1× …×1/N-n

Cuando la población sea muy grande, las diferencias entre estos dos tipos de muestreo van a ser mínimas.

Vamos a considerar que trabajamos con poblaciones grandes, por lo que sólo vamos a considerar el muestreo aleatorio simple.

Aunque dependiendo del problema y con el objetivo de reducir los costes o aumentar la precisión, otros tipos de muestreo aleatorios pueden ser considerados: muestreo sistemático, muestreo estratificado, muestreo por conglomerados y muestreo polietápico.

El procedimiento empleado es el siguiente: 1) se asigna un número a cada individuo de la población y 2) a través de algún medio mecánico (bolas dentro de una bolsa, tablas de números aleatorios, números aleatorios generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario para completar el tamaño de muestra requerido.

Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica cuando la población que estamos manejando es muy grande.

Un colegio tiene 120 alumnos de Bachillerato. Se requiere extraer una muestra de 30 alumnos, explica como se obiene la muestra mediante un muestreo aleatorio simple:

Se numeran los alumnos del 1 al 120

Se sortean 30 numeros de entre los 120

La muestra estará formada por los 30 alumnos a los que les correspondan los números obtenidos.

Muestreo sistemático

Cuando los elementos de la población están ordenados de 1 a N en fichas o en una lista, una manera de muestrear consiste en:

- Elegir al azar un número m entre 1 y N, para empezar a seleccionar la muestra.

- Tomar como muestra los elementos de la lista a partir de ese m tomados de k en k (por ejemplo de 20 en 20) hasta completar una muestra de tamaño n. (k es el nº entero más cercano a N/n) y teniendo en cuenta que la lista sea circular, es decir que el elemento N+1 coincide con el primero. De esta forma, con una lista circular, todos los elementos tiene la misma probabilidad de ser seleccionados.

Cuando el criterio de ordenación de los elementos en la lista es tal que los elementos más parecidos tienden a estar más cercanos, el muestreo sistemático suele ser más preciso que el aleatorio simple, ya que recorre la población de un modo más uniforme.

Por otro lado, es a menudo más fácil no cometer errores con un muestreo sistemático que con este último. Sin embargo, se corre el riesgo de obtener resultados sesgados si en la población se dan periodicidades o rachas.

Este procedimiento exige, como el anterior, numerar todos los elementos de la población, pero en lugar de extraer n números aleatorios sólo se extrae uno.

...