Download - Muestreo UNAP
-
8/16/2019 Muestreo UNAP
1/43
Validación de conocimiento
• Nuestro conocimiento expresacreencias acerca de un ordenimpersonal que llamamos generalmente
“realidad”.• No se trata de qué creemos o por qué,
sino si estamos dispuestos a ponerlo aprueba: – Otras opiniones especiali!adas"
– #atos sobre lo que a$irmo – %studios espec&$icos
-
8/16/2019 Muestreo UNAP
2/43
'os datos son nuestra creación
• %s imposible reproducir la realidad ocaptarla en su “totalidad”
• (ampoco se puede reducir su comple)idada un n*mero $inito de “indicadores”
• +or eso generamos datos: – n$ormación registrada sistem-ticamente
sobre la base de categor&as procedimientosconocidos
-
8/16/2019 Muestreo UNAP
3/43
/n-lisis e nterpretación
• 'os datos o$recen una 0ersión sobre1simpli$icada de $enómenos comple)os. – 2emiten a una realidad que no pueden
expresar • 'os datos se interpretan m-s que
anali!an:
– /l restituir el contexto a los datos podemosentender el sentido de esa in$ormación
– +odemos realmente usar la in$ormación
-
8/16/2019 Muestreo UNAP
4/43
%structuración de la in$ormación
• 'o cualitati0o lo cuantitati0o re$iere a lamisma in$ormación en distinto grado deestructuración.
– 3uantitati0o: m-s estructurada – 3ualitati0o: menos estructurada
• No es una m-s 0-lida que la otra
• 4a técnicas igualmente con$iables paradistintos ni0eles de estructuración
-
8/16/2019 Muestreo UNAP
5/43
Necesidad de las 5uestras
• 'a in$ormación se encuentra dispersa – %n las unidades de la población de interés
– %n las unidades de obser0ación
• %l muestreo se re$iere a la selección de unn*mero relati0amente peque6o deobser0aciones desde un colecti0o maor.
• 'a selección debe representar la 0ariaciónpresente en el con)unto maor
-
8/16/2019 Muestreo UNAP
6/43
-
8/16/2019 Muestreo UNAP
7/43
%lementos de una muestra
• Universo: de$inición teórica del con)unto de elementos quecomponen la población de estudio.
• Elemento: 8nidades de la población de estudio sobre las quese recolecta in$ormación personas, pasa)es, libros,
acti0idades, 7ogares, etc."• Población de estudio: 2ecorte inicial del uni0erso.
• Marco muestral : #e$inición operati0a del uni0erso9 p. e). listas,empadronamientos, $oto aérea, etc. e). domicilios.
• Unidad muestral : %lemento a seleccionar desde el marcomuestral, que corresponde con la unidad de an-lisis e).7ogares"
• Unidad de observación: uien entrega la in$ormaciónin$ormante, p. e). due6a de casa".
-
8/16/2019 Muestreo UNAP
8/43
5uestra probabil&stica oaleatoria
• (odos los elementos de una poblacióntienen una probabilidad conocida de serseleccionados
– ;e conoce el tama6o de la población – ;i la muestra se reali!a por etapas, la
probabilidad de selección puede 0ariar
-
8/16/2019 Muestreo UNAP
9/43
5uestreo aleatorio simple
• +rocedimiento: – poner los nombres en un sombrero
– usar tabla o generador" de n*meros aleatorios
– 3on reempla!o o sin reempla!o
• +roblem-tico cuando se tiene un n*meromu grande de casos que resulta di$&cil
enumerar.• 'os n*meros tienden a agruparse ello
puede a$ectar la dispersión geogr-$ica de la
muestra.
-
8/16/2019 Muestreo UNAP
10/43
5uestreo aleatorio sistem-tico
• +rocedimiento m-s usado m-s preciso. – %n la encuesta 3/;%N se utili!a este sistema para
asegurar la dispersión geogr-$ica de la muestra.
• ;e selecciona el elemento >> elementos para unamuestra de ?=> casos el inter0alo muestral es=>>>@?=> A ?>"
• %s decir, se selecciona uno cada ?> casos.
• %)emplo: muestreo de gu&a tele$ónica.
-
8/16/2019 Muestreo UNAP
11/43
+roblemas del muestreoaleatorio sistem-tico
• +eriodicidad del orden. – %n un edi$ico pueden seleccionarse los
departamentos m-s grandes o los m-s c7icos.
– %n organi!aciones puede seleccionarsesiempre el mismo tipo de $uncionario, etc.
– 3omo precaución, ordenar las listas por unprincipio distinto al que 0ienen9 e), orden
al$abético, o por edad, o tama6os.
-
8/16/2019 Muestreo UNAP
12/43
5uestreo estrati$icado
• /pro0ec7a la existencia de categor&as depoblación relati0amente 7omogéneas
• 2eali!a muestras separadas de cada
estrato• +ermite seleccionar muestras m-s
peque6as, en cada grupo en el total
• /l agregar los resultados se debereconstituir el total utili!ando el pesorelati0o de cada estrato ponderación".
-
8/16/2019 Muestreo UNAP
13/43
5uestreo por conglomerados
• ;e agrupan los elementos de la poblaciónen con)untos 7eterogéneos, que puedencorresponder a una clasi$icación existente
– %mpleados en sucursales de un banco,$ós$oros en ca)as de $ós$oros, man!anas encomunas, etc.
• ;e procede a seleccionar con)untos
• ;e incluen en la muestra todos loselementos del con)unto
-
8/16/2019 Muestreo UNAP
14/43
5ultiet-pica de conglomerados
• 4acer grandes grupos de elementos, paraproceder a seleccionar al interior de estosgrupos.
• %)emplo: muestra de estudiantes uni0ersitarios – +rimera etapa: seleccionar uni0ersidades,
– ;egunda etapa: seleccionar $acultades
– (ercera etapa seleccionar los estudiantes de de
algunas $acultades en algunas uni0ersidades.• %l principio consiste en maximi!ar los
conglomerados minimi!ar los elementos decada uno.
-
8/16/2019 Muestreo UNAP
15/43
(ama6o de una muestra
• #epende de cinco $actores que no est-nrelacionados en modo alguno con eltama6o de la población
a. caracter&sticas del estudio grado de $ine!a delos an-lisis"
b. 7eterogeneidad de la población
c. tipo de muestra
d. recursos 7umanos materiales disponibles
e. ni0el de precisión deseado
-
8/16/2019 Muestreo UNAP
16/43
/signaciones óptimas
• Variación en el tama6o de estratos oconglomerados seg*n – Varian!a intra 0arian!a inter
– /)uste de costos de entre0ista
-
8/16/2019 Muestreo UNAP
17/43
5uestreo por cuotas
• ;e conoce la distribución de la poblaciónen ciertas categor&as combinadas
• ;e construe un espacio propiedad que
identi$ica el peso de cada casillero• ;e seleccionan elementos de cada
casillero 7asta completar un n*mero dado,
sin recurrir a procedimientos aleatorios• No permite 7acer in$erencia estad&stica
• 2iesgo de desactuali!ación
-
8/16/2019 Muestreo UNAP
18/43
5uestras ntencionadas
• 5uestra de bola de nie0e – +ara identi$icar de redes o poblaciones
especiales
• 5uestra estructural – +ara selección de in$ormantes cla0e
– +ara $ormar grupos de discusión
-
8/16/2019 Muestreo UNAP
19/43
5uestra bola de nie0e
• +unto de partida: – deal: selección aleatoria o intencionada
– +oblaciones di$&ciles: casos disponibles
• +rimera ola: – / cada entre0istado se le pregunta por
contactos con determinada caracter&stica
– ;e entre0ista a los contactos mencionados
• 2epetir 7asta que 7aa saturación – Ba est-n incluidos en la muestra xC de los
contactos mencionado en la *ltima ola
-
8/16/2019 Muestreo UNAP
20/43
%). Nue0os in$ormantes cla0e
• /l entre0istar nuestro in$ormantegeneramos nombres o re$erencias: – Duién m-s sabe sobre un tema
especiali!adoE – Duiénes no comparten el punto de 0ista de
nuestro in$ormanteE
– 3on quién m-s cree que debiéramoscon0ersar
• %ntre0ista a personas mencionadas generación de segunda ola de re$erencias
-
8/16/2019 Muestreo UNAP
21/43
n$ormantes disponibles
• 8til en pretests, prueba de instrumentos,traba)os de curso – /lgunas pr-cticas poco éticas
• ndispensable con poblaciones di$&ciles – 5iembros de una secta, usuarios de lentes de
contacto, compradores de drogra, gruposcriminales, militantes clandestinos, etc.
-
8/16/2019 Muestreo UNAP
22/43
5uestra %structural
• 8na maqueta o representación a escalade la población.
• 3ombina dimensiones que caracteri!an la
población.• #ecisión cla0e es cu-ntas dimensiones
utili!ar cu-ntas categor&as por
dimensión. – 2ecomendación: usar pocas.
-
8/16/2019 Muestreo UNAP
23/43
%)emplo: 5uestra de escuelas
• +oblación de interés: 'os establecimientoseducacionales en una región
• #imensiones: – (ipo de dependencia: particular,
sub0encionado, municipal
– 3alidad de la gestión educacional: buena,
regular, de$iciente
-
8/16/2019 Muestreo UNAP
24/43
5unicipal
;ub0encionado
+articular
Festión#e$iciente
Festión2egular
FestiónGuena
-
8/16/2019 Muestreo UNAP
25/43
#iagnóstico 3olecti0o
• #esmoti0ación de los alumnos@as enclases
• Hormar grupo de diagnóstico:
– +ro$esores@as “entretenidos”
– +ro$esores@as “lateros”
– /lumnos@as “aburridos”
– /lumnos@as “participati0os”• 3onstruir “-rbol de problemas e$ectos”
-
8/16/2019 Muestreo UNAP
26/43
%). 5uestra diagnósticocolecti0o
• 3alidad de espacios de participación
• Hormar grupo de diagnóstico: – #irigentes “comprometidos”
– #irigentes “indi$erentes”
– Huncionarios@as “abiertos”
– Huncionarios@as “cerrados”
• 3onstruir “-rbol de problemas e$ectos”
-
8/16/2019 Muestreo UNAP
27/43
5uestra de dirigentes sociales
DisgustadosOpositoresOrientaciones Antagónicas
PeriferiaSimpatizantesOrientacionesCercanas
DirigentesPasivos
Dirigentes Activos
-
8/16/2019 Muestreo UNAP
28/43
TEORIA DEL MUESTREO
Vicente %spino!a
5agister 8N/+ 5ar!o ?>>I
-
8/16/2019 Muestreo UNAP
29/43
-
8/16/2019 Muestreo UNAP
30/43
%)ercicio de muestreo
• ;upongamos que conocemos el uni0erso: – 8na población N A J>
– 3ada uno posee K> a KL c@u.
– 'a media del uni0erso es KM.=.por e)emplo una 0aca para comprar cer0e!a"
• Dué pasa si tomamos todas las muestras
posibles de tama6o J, tama6o ?, 7astatama6o J>E – D3u-l es la media de la muestraE
-
8/16/2019 Muestreo UNAP
31/43
2epresentati0idad de la muestra
• 3onclusión, mientras m-s grande lamuestra menor el error – m-s cerca de la media real
• %l teorema del límite central a$irma que altomar muestras m-s grandes los 0aloresde la muestra se aproximan al 0alor central.
• /unque no es aconse)able ni posible 7acermuestras grandes siempre, – D3ómo buscar un tama6o óptimoE
-
8/16/2019 Muestreo UNAP
32/43
#istribución normal• 'as muestras est-n distribuidas de una
$orma normal: – es simétrica,
– el par-metro est- al centro,
– las muestras tienden a agruparse en torno al0alor central las colas con m-s li0ianas".
• 'a cur0a normal mu A >, sigma A J" tiene
propiedades conocidas, – I.?C de las muestras est-n a unades0iación est-ndar del par-metro
– L=C de las muestras est-n a J.LI
des0iaciones est-ndar del par-metro.
-
8/16/2019 Muestreo UNAP
33/43
%rror muestral
• 3orresponde a la des0iación respecto delpar-metro 0alor del uni0erso". – #ebe estimarse porque no se conoce
• ;e utili!a la media muestral comoestimación del punto se conoce elmargen de error de esa estimación error
est-ndar de la media o des0iación est-ndarde la muestra".
• /s& se establece un inter0alo de con$ian!aque contiene la media muestral el L=C delas 0eces margen de error = por ciento".
-
8/16/2019 Muestreo UNAP
34/43
nterpretación del error muestral
• 3omo la distribución de las medias muestrales esnormal, puede decirse sin problemas que el L=C delas muestras producen un 0alor que est- m-s omenos a ? des0iaciones est-ndar del par-metro
aunque este no se cono!ca".• 5-s aserti0amente que 7a L=C de probabilidad de
que la media del uni0erso esté encerrada dentro de?ds de la media muestral.
• O lo que es lo mismo, que 7a un error del =C en laestimación del par-metro.
-
8/16/2019 Muestreo UNAP
35/43
(ama6o de la muestra
• Hay una relación entre desviación estándar de la media muestraly el tamaño de la muestra
– orres!onde a la ma"nitud de la desviación estándar deluniverso atri#ui#le a cada unidad de la muestra$
• En el caso de varia#les dicotómicas la varian%a es i"ual &ue el !roducto la !ro!orción a'irmativa y la ne"ativa$
– (ormalmente ) * +!,-.!/01n2 de donde el error muestral3
n p)-(1* p
-
8/16/2019 Muestreo UNAP
36/43
(ama6o muestral
• 3omo L=C de las muestras est-n a J.LIdes0iaciones est-ndar de la muestra, lamultiplicación de la expresión anterior por J.LIentre el error est-ndar con un error del = por
ciento.• (omemos el caso de las recientes primarias de la
concertación. ;i se quiere una muestra querepresente a laguistas $reistas, esta debe estaren una proporción I>1M>. ;upongamos quetomamos una muestra de J>> personas.
/plicando los 0alores a la $órmula anterior
-
8/16/2019 Muestreo UNAP
37/43
2endimiento decreciente deltama6o muestral
• 3ada 0e! que tomemos muestras detama6o J>>, la precisión de nuestroestimador deber- 0ariar en mas@menos J>por ciento para asegurar que el 0alor delpar-metro est- contenido a dos
des0iaciones est-ndar del 0alor de lamedia muestral.• /l incrementar el tama6o muestral la precisión del
indicador sube seg*n la siguiente escala:
• n error muestra• J>> >.J>
• ?>> >.>
• P>> >.>I
• M>> >.>=
-
8/16/2019 Muestreo UNAP
38/43
%rror muestral tama6o muestra
• +uede apreciarse que el error muestraldisminue a medida que aumenta eltama6o muestral. 'a decisión sobre cual
margen de error resulta tolerable para lospropósitos del estudio in0olucra un )uiciosustanti0o:
● una decisión como esta es comparable acualquiera otra que tenemos que 7acer alen$rentar las incertidumbres de la 0ida.5ueller, ;c7uesler...EE"
-
8/16/2019 Muestreo UNAP
39/43
• %l ra!onamiento puede 7acerse in0ersopara resol0er cu-l es el tama6o óptimo dela muestra para predecir, digamos con un
error muestral de P por ciento. #e)ando eltama6o muestral como incógnita despe)ando en consecuencia obtenemos
•
-
8/16/2019 Muestreo UNAP
40/43
32=
0.03
p)-(1* p*1.96 =n
-
8/16/2019 Muestreo UNAP
41/43
• #e donde el tama6o muestral adecuadopara lograr tal precisión es J>?Mconcertacionistas. 3ada uno podr- )u!gar
si se )usti$ica tal es$uer!o o no.•
-
8/16/2019 Muestreo UNAP
42/43
• 'o otro que se puede apreciar en la serieanterior es que 7a rendimientosdecrecientes del tama6o muestral. 3ada
aumento entrega un incremento menor delni0el de precisión. Ba se 0e que paraaumentar la precisión ? por ciento, senecesitan I>> casos.
• %l n*mero m-gico PLI se obtiene alsuponer que las pre$erencias en unapoblación est-n di0ididas =>@=>.
-
8/16/2019 Muestreo UNAP
43/43
+ri0ilegio de lo cualitati0o
• +ermite apro0ec7ar me)or el conocimientoespeciali!ado disponible en regiones
• %xpresa me)or situaciones comple)as,
como los procesos educati0os• ncorpora el contexto
• nsumo para la de$inición de estudios
cuantitati0os