Tecnológico Nacional de México.

Tecnológico de Reynosa.

- Carrera:
Lic. en Administración.
- Materia:
Estadística Aplicada a la Administración ll.
- Docente:
Pérez Magaña Juan Gerardo.
- Alumno:
Vanessa Melo Cruz
- Fuentes de información:
https://aprender-uib.github.io/
https://www.u-cursos.cl/i
a) Conceptos relacionados con el muestreo.

En todo estudio estadístico hemos de distinguir entre población, que es un

conjunto de sujetos con una o varias características que podemos medir y
deseamos estudiar, y muestra, un subconjunto de una población. Por ejemplo, si
quisiéramos estudiar alguna característica de los estudiantes de grado del Tec,
entenderíamos que estos forman la población de interés, y si entonces
escogiéramos al azar 10 estudiantes de cada grado, obtendríamos una muestra de
esta población. Pero también podríamos considerar los estudiantes de grado del
Tec como una muestra de la población de los estudiantes universitarios españoles:
depende del estudio que queramos realizar.
Recordad que, cuando disponemos de un conjunto de datos obtenidos midiendo
una o varias características sobre los sujetos de una muestra, podemos llevar a
cabo dos tipos de análisis estadístico:
• Exploratorio o descriptivo: su objetivo es resumir, representar y explicar
los datos de la muestra. Para llevarlo a cabo, se usan técnicas de
estadística descriptiva como las que hemos descrito en lecciones
anteriores.
• Inferencial o confirmatorio: su objetivo es deducir (inferir), a partir de los
datos de la muestra, información significativa sobre el total de la población.
A menudo esta inferencia pasa por contrastar una hipótesis sobre alguna
propiedad de la población. Las técnicas que se usan en los análisis
inferenciales forman la estadística inferencial.
Un estudio inferencial suele desglosarse en los pasos siguientes:
1. Establecer la característica que se desea estimar o la hipótesis que se
desea contrastar.
2. Determinar la información (los datos) que se necesita para hacerlo.
3. Diseñar un experimento que permita recoger estos datos; este paso incluye:
• Decidir qué tipo de muestra se va a tomar y su tamaño.
• Elegir las técnicas adecuadas para realizar las inferencias
deseadas a partir de la muestra que se tomará.
4. Tomar una muestra y medir los datos deseados sobre los individuos que la
forman.
5. Aplicar las técnicas de inferencia elegidas con el software adecuado.
6. Obtener conclusiones.
7. Si las conclusiones son fiables y suficientes, redactar un informe; en caso
contrario, volver a empezar.
b) Diferencia entre muestreo probabilístico y no
probabilístico.

El muestreo probabilístico analiza y estudia una población utilizando la selección

aleatoria, simplemente porque en un grupo de individuos todos tienen la misma
oportunidad de ser elegidos. A su vez, esta categoría se divide en:
• Muestreo aleatorio simple: este tipo de muestreo elige al azar cada
individuo que hará parte de la muestra y todos tienen las mismas
oportunidades de ser seleccionados.
• Muestreo sistemático: este muestreo selecciona de forma aleatoria al
primer individuo de la población que hará parte del estudio y luego, define
un intervalo para completar la muestra.
• Muestreo por conglomerados: se utiliza cuando no se pueden estudiar
todos los individuos de una población porque es muy grande o se
encuentra dispersa en un área geográfica muy extensa, lo que aumenta el
costo de la investigación.
• Muestreo estratificado: el muestreo estratificado divide la población en
subgrupos o estratos que comparten ciertas características. Luego,
utilizando el método del muestreo aleatorio simple, se eligen individuos de
cada estrato para conformar la muestra.

El muestreo no probabilístico es una técnica que selecciona las personas que

harán parte de la muestra de una manera subjetiva, esto quiere decir, según la
decisión del investigador, evitando hacerlo al azar.
A diferencia en el muestreo probabilístico, donde cada individuo de la población
tiene las mismas oportunidades de ser seleccionado, en el muestreo no
probabilístico no todas las personas pueden participar.
El muestreo no probabilístico es menos estricto y depende en su mayoría de la
experiencia de los investigadores. Se divide en:
• Muestreo de bola de nieve: esta técnica ayuda a los investigadores a
encontrar muestras cuando son difíciles de localizar. Es útil si el tamaño de
la muestra es pequeño y no está disponible fácilmente.
• Muestreo por cuotas: este método permite dividir la población en grupos o
estratos que comparten características como el sexo, la edad, los estudios,
etc., y de ellos se selecciona una muestra proporcional y representativa.
• Muestreo intencional o por conveniencia: con este método las muestras
se seleccionan basándose únicamente en el conocimiento y la credibilidad
del investigador. En otras palabras, los investigadores eligen solo aquellas
personas que ellos creen que son los adecuados para participar en un
 estudio de investigación, ya sea porque son fáciles de reclutar o porque los
consideran buenos representantes de la población.

c) Situaciones hipotéticas de procesos y/o

poblaciones finitas.

Si el tamaño de la población o universo es conocido, la elección del tamaño de la

muestra, aunque siguiendo los argumentos expuestos en el epígrafe anterior, tiene
ciertas especificidades, que veremos a continuación. Las diferencias se basan
fundamentalmente en el hecho (relativamente probable para el caso de una
población finita, pero imposible para una de tamaño infinito) de que nos podemos
encontrar con situaciones en las que el número de elementos de la muestra puede
llegar a ser una proporción apreciable de los de la población.
En tal situación, puede entenderse fácilmente que la precisión de la estimación
sería superior, al estar mejor representada el conjunto de la población. En
concreto, para el caso de poblaciones finitas, puede demostrarse que la varianza
del estimador (de la media, proporción o total) propia de poblaciones infinitas, tal
como la hemos visto anteriormente, ha de corregirse por un factor. Este factor de
corrección sería por lo que para el caso de la media su fórmula de cálculo
quedaría como sigue:

Si nos fijamos en el numerador del factor de corrección, comprenderemos que no

se puede valorar de forma absoluta al tamaño de una muestra, sino que hay que
confrontarlo con el de la población de la que se extrae. Si observamos dos
poblaciones, siendo la muestra de la primera más pequeña que la de la segunda,
puede llegar a dar más precisión (menor varianza) si el tamaño de la población de
la que procede es proporcionalmente menor. Esto, dicho así, parece algo
complicado cuando resulta obvio: en igualdad de condiciones, una muestra de
tamaño 100 nos informa mucho mejor sobre las características de una población
de tamaño 200, dónde representa la mitad de sus elementos, que otra de tamaño
200 en una población de 20.000, que representa sólo el 1% de sus elementos.
Por tanto, independientemente del número de elementos que contenga, cuanto
mayor sea el tamaño de la muestra (n) en relación al de la población (N), mayor
garantía tendremos en las estimaciones, como se observa en la fórmula anterior.
En el caso extremo de que N=n la varianza del estimador se hace nula.
Estaríamos, evidentemente, en presencia de una observación exhaustiva de la
población, propia de la estadística descriptiva, y no en un caso de inferencia
estadística. Por el contrario, cuando el tamaño de la muestra sea mínimo, de una
sola observación (n=1), la varianza (precisión) del estimador coincidiría con el
caso de una población de tamaño infinito.
Ejemplo: Caso de la media.
Para llevar a cabo el análisis de un destino turístico con alta afluencia de turistas
(200.000) se desea realizar una encuesta para determinar el gasto medio por
turista. Se ha decidido aceptar un error máximo en el gasto medio de 30 euros.
Suponiendo una desviación estándar de la población de 200 euros y un nivel de
confianza del 95%, obtener el tamaño adecuado de la muestra.

Como puede observarse, el tamaño muestral resultante es el mismo que cuando

supusimos que la población era infinita. Ello es debido al gran tamaño de la
misma. Ejemplo: Caso de la proporción.
Para completar el análisis del anterior destino turístico, se desea realizar utilizar la
encuesta para determinar la proporción de turistas de origen europeo. Se ha
decidido aceptar un error máximo del 5%, y un nivel de confianza del 95%.
Obtener el tamaño de la muestra.

Como no se tiene información sobre la proporción en la población, optaremos por

obtener el n máximo:

Puede comprobarse de nuevo como el hecho de tener como referencia a una

población de gran tamaño, no cambia prácticamente el tamaño de la muestra.
Ejemplo: caso del total:
En el estudio sobre el gasto total en la zona por los turistas se aceptó un error
máximo en el gasto total de 6 millones de euros. Suponiendo que la desviación
estándar poblacional es de 200 euros y un nivel de confianza del 95%, obtenga el
tamaño muestral adecuado. Si de la muestra obtenida se obtuviese un gasto
medio de 450 euros con una desviación estándar de 320 euros, diga cuál es el
intervalo para el gasto total.

Evidentemente, el resultado para n va a ser el mismo que para el caso de la

media. Lo único que hemos de hacer es pasar del error del total al error de la
media:

El intervalo de confianza no vale la pena volver a calcularlo, pues ya sabemos que

es el mismo de la media, pero multiplicado por N:

Es decir, el gasto total estaría entre algo más de 80 millones y algo menos de 100
millones de euros, con una confianza del 95%.

d) Glosario.

• Muestreo: Selección de un conjunto de personas o cosas que se

consideran representativos del grupo al que pertenecen, con la finalidad de
estudiar o determinar las características del grupo.
• Interés: Valor o utilidad que en sí tiene una cosa.
• Azar: Significa que fue por casualidad, de manera fortuita o accidental,
involuntario, o sin una intención o un motivo determinado o prefijado.
• Población: Conjunto de personas que habitan una determinada área
geográfica.