MUESTREO En la referencia estadística se conoce como muestreo a la técnica para la selección de una muestra a partir de una población estadística. Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio adecuado (que consienta no solo hacer estimaciones de la población sino estimar también los márgenes de error correspondientes a dichas estimaciones), debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea una muestra representativa, pero sí podemos actuar de manera que esta condición se alcance con una probabilidad alta. En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la población, se puede extraer dos o más muestras de la misma población. Al conjunto de muestras que se pueden obtener de la población se denomina espacio muestral. La variable que asocia a cada muestra su probabilidad de extracción, sigue la llamada distribución muestral.
En la definición anterior hemos introducido dos términos fundamentales:
Universo o población: Es el total de individuos que deseo estudiar o caracterizar. Por ejemplo, si quiero saber cuánto fuman de media los fumadores de Perú, el universo en este caso sería "los fumadores de Perú".
Muestra: Es el conjunto de individuos del universo que selecciono para estudiarlos, por ejemplo a través de una encuesta.
¿Por qué funciona el muestreo? El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso, que llamamos generalización. Es decir, para conocer un universo lo que hacemos es (1) extraer una muestra del mismo, (2) medir un dato u opinión y (3) proyectar en el universo el resultado observado en la muestra. Esta proyección o extrapolación recibe el nombre de generalización de resultados. La generalización de resultados añade cierto error al mismo. Imagina que tomamos una muestra al azar de 1.000 personas de México y les preguntamos
si fuman. Obtengo que el 25% de la muestra fuma. La simple lógica nos dice que si de 1.000 mexicanos elegidos al azar el 25% fuma, este dato debería ser indicativo de lo que obtendríamos si preguntásemos a los 122 millones de mexicanos. Ahora bien, el azar podría haber hecho que haya escogido para mi muestra más fumadores de lo que correspondería a la proporción exacta que hay en el universo o, por el contrario, que en mi muestra los fumadores estén algo infra-representados. El azar podría hacer que el porcentaje de fumadores en la población fuese algo diferente del 25% que hemos observado en la muestra (tal vez un 25,2%, por ejemplo). Por lo tanto, la generalización de resultados de una muestra a un universo conlleva aceptar que cometemos cierto error, tal y como ilustra el siguiente esquema.
Afortunadamente, el error que cometo al generalizar resultados puede acotarse gracias a la estadística. Para ello usamos dos parámetros: el margen de error, que es la máxima diferencia que esperamos que haya entre el dato observado en mi muestra y el dato real en el universo, y el nivel de confianza, que es el nivel de certeza que tengo de que realmente el dato real esté dentro del margen de error.
Por ejemplo, en nuestro caso de fumadores mexicanos, si selecciono una muestra de 471 individuos y les pregunto si fuman, el resultado que obtenga tendrá un margen de error máximo de +-5% con un nivel de confianza del 97%. Esta forma de expresar los resultados es la correcta cuando usamos muestreo.
El tamaño de la muestra ¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende del tamaño del universo y del nivel de error que esté dispuesto a aceptar, tal y como explicábamos en su día en este post. Cuanta más precisión exija, mayor muestra necesito. Si quiero tener una certeza absoluta en mi resultado, hasta el último decimal, mi muestra tendrá que ser tan grande como mi universo. Técnicas de selección del muestreo a través del muestreo estadístico
Muestreo probabilístico: Forman parte de este tipo de muestreo todos aquellos métodos para los que puede calcularse la probabilidad de extracción de cualquiera de las muestras posibles. Este conjunto de técnicas de muestreo es el más aconsejable, aunque en ocasiones no es posible optar por él.
Muestreo estratificado: Consiste en la división previa de la población de estudio en grupos o clases que se suponen homogéneos respecto a característica a estudiar. A cada uno de estos estratos se le asignaría una cuota que determinaría el número de miembros del mismo que compondrán la muestra.
Muestreo sistemático: Es la elección de una muestra a partir de los elementos de una lista según un orden determinado, o recorriendo la lista a partir de un número aleatorio determinado.
Muestreo por conglomerados: Cuando la población se encuentra dividida, de manera natural, en grupos que se suponen que contienen toda la variabilidad de la población, es decir, la representan fielmente respecto a la característica a elegir, pueden seleccionarse sólo algunos de estos grupos o conglomerados para la realización del estudio.
Muestreo errático: También se llama sin norma. La muestra se realiza de cualquier forma, valorando únicamente la comodidad o la oportunidad en términos de costes, tiempo u otro factor no estadístico.
Al realizar un muestreo en una población podemos hablar de muestreos probabilísticas y no probabilísticas, entre estas técnicas o procedimientos están:
Muestreo simple: Este tipo de muestreo toma solamente una muestra de una población dada para el propósito de inferencia estadística. Puesto que solamente una muestra es tomada, el tamaño de muestra debe ser los suficientemente grandes para extraer una conclusión. Una muestra grande muchas veces cuesta demasiado dinero y tiempo.
Muestreo aleatorio simple: Es aquel en que cada elemento de la población tiene la misma probabilidad de ser seleccionado para integrar la muestra. Una muestra simple aleatoria es aquella en que sus elementos son seleccionados mediante el muestreo aleatorio simple.
Ventajas e inconvenientes del muestreo Resumimos a continuación las principales ventajas e inconvenientes de usar muestreo frente a estudiar todo un universo. Ventajas:
Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y dinero).
La manipulación de datos es mucho más simple. Si con una muestra de 1.000 personas tengo suficiente, ¿para qué quiero analizar un fichero de millones de registros?
Inconvenientes:
Introducimos error (controlado) en el resultado, debido a la propia naturaleza del muestreo y a la necesidad de generalizar resultados.
Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra. Por ejemplo, si la forma en que selecciono individuos para la muestra no es aleatoria, mis resultados pueden verse seriamente afectados.
https://es.scribd.com/doc/228701751/Locomotoras-a-Bateria