Javier Parra - Guía de Muestreo (2003)

Gua de Muestreo
__________________________________Javier Parra Olivares_____________________________________
Gua de Muestreo
Javier Parra Olivares
Profesor Titular de La Universidad del Zulia.

Director del Centro de Estadstica e Investigacin de Operaciones "Amancio
Costabella" de L.U.Z.
Jefe del Departamento de Teora y Mtodo de la Escuela de Sociologa.
Socilogo, Especialista en Anlisis de Datos y en Teora Sociolgica, Estudiante del
Doctorado en Ciencias Sociales Mencin Gerencia en FCES/LUZ
Correo Electrnico: animarte@telcel.net.ve
Maracaibo, 2003
Gua de Muestreo Pgina 2

A mis padres,
Josefina y Joe,
as como a Mercedes,
Javier Enrique e Isabella,
todos son una muestra representativa
de que el amor y la esperanza existen todos
los das y que el universo est lleno de ambos.

Agradecimientos:
Mi ms infinito agradecimiento a quienes han hecho de m un

apasionado del anlisis de datos y de la estadstica, as como de la
metodologa de la investigacin y la sociologa. A mis profesores,
colegas, compaeros de vida intelectual y alumnos que siempre me han
puesto a pensar en cmo hacer y decir las cosas de mejor manera. En
especial al maestro de maestros, Amancio Costabella Rojas,
ejemplo de amor al conocimiento y al ser humano.

CONTENIDO
PGINA
Introduccin 6
Captulos:
I.- Conceptos bsicos 9
II.- El problema del muestreo 14
III.- Muestreo aleatorio simple 28
IV.- Muestreo aleatorio estratificado 46
V.- Muestreo aleatorio por conglomerados 71
Bibliografia citada 83
Apndices 84

"Dale un pescado a un hombre y comer un da.

Mustrale cmo pescar y comer todos los das"
INTRODUCCIN:
N uestro conocimiento, nuestras actitudes y nuestras acciones, estn basadas, en
gran parte, en muestras. Esto es igualmente cierto en la vida cotidiana y en la
investigacin cientfica. La opinin de una persona sobre una institucin que lleva a cabo
miles de transacciones diarias, con frecuencia est determinada por uno o dos encuentros
que esta persona ha tenido con la institucin. Otro tanto ocurre con las personas a quienes
nos acercamos o alejamos, de acuerdo con una imagen que nos hacemos de ellas, despus
de slo dos o tres contactos (visuales, auditivos, orales o por referencias) con las mismas.
[Por cierto, quin sera el primero que afirm que "la primera impresin es la que vale"?].
Hasta la mitad del siglo XX se haba prestado muy poca atencin a los
problemas de cmo obtener una muestra y de cmo extraer conclusiones satisfactorias de
sus resultados. Esto no importa tanto mientras sea uniforme el "campo" de donde estemos
muestreando, de tal manera que cualquier tipo de muestra proporcione resultados casi
iguales. Por ejemplo, los diagnsticos de laboratorio sobre el estado de nuestra salud son
realizados sobre la base de unas cuantas gotas de sangre. Este procedimiento est basado
en el supuesto de que, en el torrente circulatorio, la sangre est bien mezclada y que una
gota cuenta la misma historia que otra (Gracias a Dios!). Pero cuando el "campo" est
muy lejos de ser uniforme, como a menudo es el caso, es crtico el mtodo mediante el cual
fue tomada la muestra y, as mismo, se convierte en muy relevante el estudio de las
tcnicas que aseguren la confiabiliad de la muestra.

Hoy da, en la investigacin cientfica es habitual que se empleen muestras
como medio de acercarse al conocimiento de la realidad. Sin embargo, para que esto sea
posible, para que a travs de las muestras sea posible reproducir el universo con la
precisin que se requiera en cada caso es necesario que el diseo muestral se atenga a los
principios recogidos en las tcnicas de muestreo.
El objetivo ms importante de la estadstica como disciplina es el de hacer
inferencias de una muestra hacia una poblacin de inters. Por esa razn, el muestreo,
como conjunto de tcnicas de seleccin de muestras, se ha convertido en los ltimos aos
en un instrumento de valiosa importancia en gran parte de las investigaciones en una
enorme variedad de campos.
Sin embargo, a pesar de su gran utilidad, los procedimientos estadsticos de
muestreo presentan, en la mayora de los textos, cierta complejidad en su tratamiento
estadstico-matemtico y poca claridad respecto al tipo de situaciones en las que son
aplicables, lo cual dificulta la toma de decisiones metodolgicas vlidas para la inferencia
de conclusiones.
La finalidad principal de este libro es la de presentar los 3 procedimientos
bsicos de muestreo probabilstico, a partir de los cuales se derivan otras tcnicas de mayor
complejidad. Se busca, en este contexto, presentar de manera didctica, accesible y con
aplicaciones, los aspectos fundamentales de cada procedimiento, resaltando su
aplicabilidad a situaciones concretas y, en sntesis, facilitando una gua para la toma de
decisiones en el uso de la metodologa del muestreo, para personas que slo hayan
manejado un curso elemental de Estadstica.

Por esta razn, no se profundiza en la derivacin matemtica de frmulas,
prestando atencin slo a las formas de aplicacin de las ecuaciones en circunstancias
concretas. Esto ltimo es reforzado con la inclusin de una poblacin real: referida a la
regin de Paraguaipoa, a partir de la cual se resuelven problemas completos para ilustrar el
empleo de cada tcnica de muestreo. Con esto, se busca llenar un vaco en la literatura
existente sobre muestreo, en el cual slo se presentan ejemplos y problemas resueltos
parcialmente, sin mostrar todos los pasos que pueden seguirse a la hora de hacer un
muestreo en situaciones concretas de investigacin. No obstante lo anterior, tambin se
incluyen ejemplos parciales cuando son necesarios para acceder finalmente al Problema
Completo.
Por ltimo, la organizacin del libro es la siguiente: primero, se presenta
una breve lista de conceptos bsicos que se suponen ya conocidos por el lector con
conocimientos de un curso elemental de estadstica, posteriormente se ubica en su
importancia al problema de muestreo como metodologa para, finalmente, presentar los 3
procedimientos primarios del Muestreo Estadstico, cada uno de los cuales, es abordado en
su definicin, supuestos bsicos, pasos de seleccin, determinacin del tamao de la
muestra, estimadores bsicos, alcances y limitaciones y un problema completo referido a
una poblacin real.

"Mustrame a un nio y me dars esperanzas".
Captulo I
CONCEPTOS BSICOS

A
lgunas definiciones bsicas son necesarias para una buena
comprensin de este libro y, en general, de los
procedimientos estadsticos de seleccin de muestras. Estas definiciones se presentan de
manera suscinta por cuanto no constituyen el principal objetivo de este trabajo.
1. - Experimento Aleatorio: Es aquel fenmeno del cual no se pueden
predecir los resultados con exactitud ya que stos dependen del azar.
2. - Espacio Muestral: Es el conjunto de todos los posibles resultados de
un experimento aleatorio.
3. - Variable Aleatoria: Es una funcin puntual que asigna un nmero
real a cada elemento de un espacio muestral (resultados de un experimento aleatorio). Es
una variable medible (en el lenguaje de la teora de la medida) [Rao, 1973].
Generalmente, las variables aleatorias se simbolizan con las ltimas letras maysculas del
alfabeto, como X, Y y Z y los valores que toman se denotan con las correspondientes
letras minsculas x, y, z. Sus resultados no son predecibles con exactitud.
4. - Universo: Es el conjunto conformado por todos los elementos, seres u
objetos que contienen las caractersticas y mediciones u observaciones que se requieren en
una investigacin dada.
5. - Poblacin: Es el conjunto integrado por todas las mediciones u
observaciones del universo de inters en la investigacin. Por lo tanto, pueden definirse

varias poblaciones en un solo universo, tantas como caractersticas a medir. La poblacin
puede ser finita o infinita y su tamao es denotado, generalmente, con el smbolo: " N".
En muestreo se entiende por poblacin a la totalidad de las observaciones que
corresponden a una variable en el universo que interesa considerar y que es necesario que
est bien definido para que se sepa en todo momento que elementos lo componen.
No obstante, cuando se realiza un trabajo, conviene distinguir entre
poblacin terica: conjunto de elementos a los cuales se quiere extrapolar los resultados y
poblacin estudiada: conjunto de elementos accesibles en nuestro estudio.
6.- Censo: En ocasiones resulta posible estudiar cada uno de los
elementos que componen la poblacin, realizndose lo que se denomina un censo. La
realizacin de un censo no siempre es posible, por diferentes motivos: a) economa: el
estudio de todos los elementos que componen una poblacin, sobre todo si sta es grande,
suele ser un problema costoso en tiempo, dinero, etc; b) que las pruebas a las que hay que
someter a los sujetos sean destructivas; c) que la poblacin sea infinita o tan grande que
exceda las posibilidades del investigador.
7. - Muestra: Es una parte (sub-conjunto) de la poblacin, obtenida con
el propsito de investigar propiedades que posee la poblacin. Es decir, se pretende que
dicho sub-conjunto "represente" a la poblacin de la cual se extrajo. En el siguiente
captulo se ampliar una discusin sobre esta definicin y se especificarn distintos tipos
de muestras.

8. - Unidad de Investigacin: es aquella que contiene los elementos que
se van a estudiar. Por ejemplo: cada hogar de la ciudad de Maracaibo.
9. - Unidad de Anlisis: es aquella que se est estudiando. Por ejemplo:
las personas que habitan en los hogares de la ciudad de Maracaibo.
10. - Unidad de Observacin: es aquella por medio de la cual se obtiene
la informacin, es decir, es la unidad informante. Por ejemplo, el jefe de familia que
representa a las personas que habitan en cada hogar de la ciudad de Maracaibo.
11. - Parmetro: es cualquier medida referida al total de miembros o
elementos de la poblacin de inters. Es un valor fijo (aunque, en realidad, puede variar en
el tiempo) y, por lo general, no se conoce, por lo cual se intenta estimar a partir de los
datos de una muestra. Por lo regular, se simboliza con letras griegas; as (media
2
poblacional), (varianza poblacional), (coeficiente de correlacin), etc.
12.- Estadstico: es una funcin de variables aleatorias que no incluye
parmetros desconocidos. Se calcula a partir de datos de la muestra y, por lo tanto, sirve
para estimar parmetros. En otras palabras, es una medicin referida a los elementos de
una muestra. Generalmente es simbolizado por letras latinas minsculas; as: X (media
muestral), s2 (varianza muestral), r (coeficiente de correlacin muestral), etc.
13.- Distribucin muestral de un estimador: es una distribucin de
probabilidades de todos los valores posibles que un estadstico puede tomar cuando es
calculado con muestras de igual tamao, extradas al azar de una misma poblacin.

14.- Error Muestral, de estimacin o estndar: Es la diferencia entre un
estadstico y su parmetro correspondiente. Es una medida de la variabilidad de las
estimaciones de muestras repetidas en torno al valor de la poblacin, nos da una nocin
clara de hasta dnde y con qu probabilidad una estimacin basada en una muestra se aleja
del valor que se hubiera obtenido por medio de un censo completo. Siempre se comete un
error, pero la naturaleza de la investigacin nos indicar hasta qu medida podemos
cometerlo (los resultados se someten a error muestral e intervalos de confianza que varan
muestra a muestra). Un estadstico ser ms preciso en cuanto y tanto su error sea menor.
Podramos decir que es la desviacin de la distribucin muestral de un estadstico y su
fiabilidad.
15.- Nivel de Confianza. Probabilidad de que la estimacin efectuada se
ajuste a la realidad. Cualquier informacin que queremos recoger est distribuida segn
una ley de probabilidad (Gauss o Student), as llamamos nivel de confianza a la
probabilidad de que el intervalo construido en torno a un estadstico capte el verdadero
valor del parmetro.
16.- Varianza Poblacional. Es un indicador del grado de homogeneidad de
la poblacin en estudio. Cuando una poblacin es ms homognea la varianza es menor y
el nmero de observaciones necesarias para construir un modelo reducido del universo, o
de la poblacin, ser menor. Generalmente es un valor desconocido y hay que estimarlo a
partir de datos de estudios previos.

"Yo represento a los que no tienen voz"

Un lder poltico (hay muestras de sobra!)
Captulo II
EL PROBLEMA DEL MUESTREO

E
l objetivo ms importante de la Estadstica es hacer inferencias acerca de una
poblacin con base en la informacin contenida en una muestra. Este mismo
objetivo conduce al estudio del problema del muestreo.
Se denomina Muestreo al procedimiento a travs del cual se selecciona una
muestra a partir de una poblacin previamente definida, con el propsito de extraer
conclusiones vlidas para sta con el uso de informacin proveniente de tan slo una parte
de ella. En este sentido, el muestreo se diferencia claramente del Censo o Enumeracin
Completa, el cual consiste en obtener conclusiones acerca de una poblacin a partir del
anlisis de todos y cada uno de los elementos que componen dicha poblacin.
No obstante, el proceso del Muestreo envuelve un conjunto de decisiones
tericas, metodolgicas y estadsticas que es singular para cada investigacin particular,
por lo que se requiere, en cada caso, del anlisis detallado de determinados factores y
circunstancias antes de elegir el procedimiento de muestreo ms adecuado.
II.-1. - Ventajas y Limitaciones del Muestreo:
A continuacin se presentan las principales ventajas del Muestreo
con relacin al Censo:
a) Mayor rapidez: el proceso de recoger informacin de una
muestra requiere, evidentemente, una cantidad de tiempo menor que la que se utilizara si
se emplease un censo. Esto, a su vez, le permite al investigador dedicar mayor atencin y

tiempo a otras fases importantes de su investigacin como el anlisis e interpretacin de los
datos.
b) Mayor Exactitud: es posible cuidar ms la precisin de la
observacin o medida de cada elemento al utilizar muestras, por cuanto se puede entrenar y
formar mejor al personal encargado del levantamiento de la informacin requerida y, a su
vez, se pueden establecer controles ms efectivos en la supervisin de dicho personal,
mejorando la calidad de la informacin.
c) Costo Reducido: Es evidente que si se examinan slo unos
cuantos casos de la poblacin, el costo ser inferior al de un censo, en el que se estudiaran
todos los casos de la poblacin. Esta ventaja es an mayor si se considera que, en ciertos
estudios, la poblacin de inters es infinita o lo suficientemente grande como para hacer
prohibitivo el uso de un censo por lo costoso que sera el mismo. As, en general, el
trabajar con muestras conlleva a una menor demanda de personal y de otros recursos en el
desarrollo de la investigacin.
Por otro lado, las pincipales limitaciones o desventajas del empleo
del Muestreo son las siguientes.
a) En algunos casos, en los que se requiere de datos para reas o
grupos pequeos de la poblacin, no es recomendable el muestreo porque se podran
necesitar muestras excesivamente grandes que pueden ser tan costosas como la realizacin
de un censo.

b) En otros casos el muestreo puede ser poco prctico ya que podra
alcanzar costos muy altos en el trabajo de seleccin y control de la muestra. sto se debe a
la dificultad que reviste el uso de un instrumento refinado y complejo como lo es el
muestreo, el cual requiere menor cantidad de trabajo bruto pero mayor refinamiento y
preparacin del investigador y de sus auxiliares.
c) Evidentemente, tambin el hecho de trabajar con slo una parte
de la poblacin supone el riesgo de que aquella no sea "representativa" de sta. Este
riesgo, sin embargo, puede ser controlado a travs de ciertos procedimientos estadsticos
que se presentarn en captulos posteriores. Para que una muestra sea representativa, y
por lo tanto til, debe reflejar las similitudes y diferencias encontradas en la poblacin,
ejemplificar las caractersticas de la misma. Cuando decimos que una muestra es
representativa indicamos que rene aproximadamente las caractersticas de la poblacin
que son importantes para la investigacin.
II.2. - Tipos de Muestreo:
a) Muestreo no Probabilstico: este trmino corresponde a
aquellos procedimientos de seleccin de muestras en el que intervienen factores distintos al
azar en la determinacin de cules son los elementos que se incluyen en la muestra. Con
estos procedimientos no es posible conocer cules son las probabilidades asociadas con
cada elemento de la poblacin, lo cual dificulta la evaluacin de la confiabilidad y
precisin de las conclusiones a inferir para toda la poblacin y, por lo tanto, se disvirta el

empleo de las tcnicas estdsticas de inferencia (estimacin y pruebas de hiptesis), ya que
no se puede medir el grado de error en el muestreo que se puede cometer.
Los mtodos de muestreo no probabilstico se basan en la seleccin
de muestras cuyos elementos son escogidos bien sea por decisin personal del investigador
(muestreo opintico) o por situaciones de conveniencia y facilidad de acceso a los
elementos de la muestra (muestreo circunstancial).
A veces, para estudios exploratorios, el muestreo probabilstico
resulta excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que
la muestra extrada sea representativa, ya que no todos los sujetos de la poblacin tienen
probabilidad conocida de ser elegidos. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando que la muestra sea representativa.
a..1.- Muestreo por cuotas: Tambin denominado en ocasiones
"accidental". Se asienta generalmente sobre la base de un buen conocimiento de los
estratos de la poblacin y/o de los individuos ms "representativos" o "adecuados" para los
fines de la investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado, pero no tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que
consisten en un nmero de individuos que renen unas determinadas condiciones, por
ejemplo: 20 individuos de 25 a 40 aos, de sexo femenino y residentes en Maracaibo. Una
vez determinada la cuota se eligen las primeras personas que se encuentren que cumplan

esas caractersticas. Este mtodo se utiliza mucho en las encuestas de opinin. Por ejemplo,
se desea estudiar la incidencia de las drogas en la adolescencia. Lo que deberamos hacer
es: conocer por los informes del Ministerio de Educacin cules son los centros ms
afectados por el problema, fijar un nmero de sujetos a entrevistar proporcional a cada uno
de los estratos (cuotas) y finalmente dejar en manos de los responsables del trabajo de
campo a cules sujetos concretos se deber entrevistar.
a.2.- Muestreo opintico o intencional: Este tipo de muestreo se
caracteriza por un esfuerzo deliberado de obtener muestras "representativas" mediante la
inclusin en la muestra de grupos supuestamente tpicos. Es muy frecuente su utilizacin
en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de
voto.
a.3.- Muestreo casual o incidental: Se trata de un proceso en el que
el investigador selecciona directa e intencionadamente los individuos de la poblacin. El
caso ms frecuente de este procedimiento es el de utilizar como muestra los individuos a
los que se tiene fcil acceso (los profesores de universidad emplean con mucha frecuencia
a sus propios alumnos). Un caso particular es el de los voluntarios.
a.4.- Bola de nieve: Se localiza a algunos individuos, los cuales
conducen a otros y estos a otros y as hasta conseguir una muestra suficiente. Este tipo se
emplea muy frecuentemente cuando se hacen estudios con poblaciones "marginales",
delincuentes, sectas, determinados tipos de enfermos, etc.

b) Muestreo Probabilstico: este es un ttulo general que se da a
planes de muestreo en los que se cumplen las siguientes caractersticas:
i) cada miembro de la poblacin tiene una probabilidad
conocida de ser includo en la muestra.
ii) la muestra se extrae utilizando algn mtodo de seleccin
aleatoria (slo interviene el azar) consistente con las probabilidades ya mencionadas y
iii) se toman en cuenta estas probabilidades de seleccin al
hacer las inferencias de la muestra hacia la poblacin. [Snedecor y Cochran, 1984].
De la definicin anterior, se destacan tres factores que son bsicos
en la comprensin de la teora del muestreo e imprescindibles para delimitar el concepto de
muestreo probabilstico, a saber: a) debe ser posible asignar probabilidades conocidas,
distintas de cero, a cada elemento de la poblacin de inters, con lo cual se establece la
apropiada representacin de la poblacin en estudio; b) el proceso de seleccin de las
unidades de la muestra debe realizarse a travs de algn procedimiento que dependa slo
del azar y que sea consistente con las probabilidades a las cuales se ha hecho
referencia y c) estas probabilidades de seleccin se deben considerar o utilizar al momento
de hacer las estimaciones (o inferencias) a partir de la muestra.
Slo los procedimientos de muestreo que cumplen con las
propiedades sealadas, permiten tener una idea sobre la exactitud de los estimadores y
posibilitan el control de los errores de muestreo que son inherentes a todo diseo o plan
de seleccin de muestras [Cochran, 1974].

Es preciso introducir aqu la definicin del error de
muestreo, que representa la diferencia entre el valor obtenido en la muestra (estadstico) y
el correspondiente en la poblacin (parmetro). Este error de muestreo se comete por el
hecho de tomar slo una parte de la poblacin y no toda ella y, por tanto, siempre, est
implcito en todo procedimiento de muestreo, vale decir, es inevitable. Sin embargo, puede
ser controlado y medido con el uso de procedimientos de muestreo probabilstico que han
sido desarrollados por la teora estadstica del Muestreo.
II.3.- Factores que determinan el tamao de una muestra
probabilstica:
El tamao que debe tener una muestra probabilstca o aleatoria es un
punto importante en la planeacin del muestreo y envuelve, por lo tanto, una decisin
sumamente cuidadosa en el proceso de investigacin. Una muestra demasiado numerosa
conlleva un derroche de recursos (dinero, tiempo y personal) y una muestra demasiado
pequea disminuye la utilidad de los resultados debido a la falta de precisin en los
estadsticos (estimadores) a utilizar.
La magnitud o tamao de muestra que se requiere para un estudio
particular, est relacionada con un conjunto de factores que han sido analizados por los
tericos del muestreo estadstico y que permite establecer, a travs de ciertas ecuaciones,
un tamao ptimo de muestra a partir de dichos factores. Estos factores son los siguientes:

a) La Homogeneidad de la Poblacin de inters: es obvio que en la
medida en que sea ms homogneo el comportamiento de la poblacin en estudio, se hace
posible seleccionar menos elementos para la muestra, ya que con pocos casos se puede
"representar" la similitud existente en la poblacin. Se requiere, por lo tanto, poseer una
medida del grado de homogeneidad (concentracin) o de heterogeneidad (dispersin) de
las variables ms importantes para el estudio en cuestin. La medida que permite dicho
conocimiento es la varianza.
No obstante, la mayora de las veces se desconocen las varianzas
poblacionales deseadas, por lo que se debe apelar a distintos procedimientos para su
estimacin a saber:
i) se pueden consultar estudios anteriores sobre el problema de inters,
para as tratar de localizar informaciones, entre otras cosas, con relacin a las varianzas
estimadas, las cuales podran asumirse como las varianzas poblacionales en el nuevo
estudio.
ii) si lo anterior no es posible o es infructuoso, se puede proceder a
extraer una pequea parte preliminar de la poblacin llamada muestra piloto, con la
finalidad de estimar en sta a una o varias varianzas poblacionales que posibiliten luego la
determinacin del tamao de muestra definitivo. Por lo general, la informacin ya
extrada en la muestra piloto, es tambien utilizada en la muestra final pero, sin embargo, no
siempre es prctico trabajar con muestras pilotos porque se presentan dificultades de
tiempo y de escasez de recursos para trabajar dos muestras en ciertos estudios. Ahora bien,
si es factible en funcin del presupuesto y del tiempo, el seleccionar una muestra piloto es

de gran valor no slo por lo que ya se explic sino tambin porque permite "probar" la
eficacia del instrumento de recoleccin de datos que se ha diseado.
iii) si no son factibles los recursos anteriores, ser necesario, entonces,
realizar consultas a personas especializadas en el rea o problemtica en estudio, con la
finalidad de que dichos informantes-clave orienten, con su experiencia, alguna conjetura
que permita establecer un valor hipottico de las varianzas poblacionales para, luego,
precisar el tamao de la muetra.
b) La Precisin que se desea en cuanto a la estimacin de las
medidas poblacionales de inters. Es un factor de gran relevancia en la determinacin del
tamao de la muestra. La medida que se emplea para especificar el grado de precisin que
se espera es llamada Error Mximo Admisible y se establece indicando la cantidad de
error que se est dispuesto a tolerar en los estimadores muestrales. Por lo tanto, el error
mximo admisible lo prefija el investigador de acuerdo a las condiciones de su estudio,
decidiendo cul es la magnitud de error que le parece razonable.
Es evidente que la decisin tomada afecta de manera, muy particular a
la magnitud del tamao de la muestra. Si se consideran fijos al resto de los factores
determinantens, se tendr que: a mayor precisin mayor tamao de muestra. Dicho en
otras palabras, si se simboliza al Error Mximo Admisible con la letra "e", en un ejemplo
hipottico se puede tener que la estimacin que se desea hacer sea la de una proporcin
poblacional (p), con un error mximo admisible de 0.09 (e= 0.09); se tendra: p 0.09, es
decir, que si la proporcin muestral resultara igual a 0.27, el investigador tolera, como

mximo, una desviacin desde 0.18 hsta 0.36 en su estimacin de la proporcin
poblacional.
Es evidente que si quiere aumentar la precisin, el investigador debe
establecer un intervalo de fluctuacin menos amplio y, por lo tanto, el valor de "e" a
utilizar ser menor que 0.09. En este caso, si los dems factores permanecen fijos, el
tamao de la muestra requerida ser mayor que en el caso anterior. As:
- Mayor Precisin "e" ms pequeo n ms grande
- Menor Precisin "e" ms grande, n ms pequea.
c) La Confianza es tambin un factor relevante en la
determinacin del tamao de la muestra aleatoria . Esto se puede ilustrar continuando con
el ejemplo anterior. Es preciso sealar que no se puede garantizar una exactitud de 0.09, a
menos que se pueda estudiar a todos y cada uno de los elementos de la poblacin de
inters. Es decir, el hecho de trabajar con slo una parte de la poblacin, vale decir: una
muestra, no permite garantizar total exactitud o precisin en la estimacin, por lo que
siempre persiste una cierta incertidumbre en el muestreo.
No obstante, si el muestreo aplicado es probabilstico, dicha
incertidumbre puede ser controlada, fijando un determinado nivel de confianza, que es
tambin denominado Coeficiente de confianza, el cual es una medida de la seguridad que
se tiene de que la estimacin est dentro del margen de error mximo admisible fijado

[Sukhatme, 1956]. Esta medida es establecida tambin por el investigador, quien decide la
proporcin (o porcentaje) de muestras en las que espera que su estimacin se desve del
intervalo fijado con el error mximo admisible. De esta forma, en el ejemplo citado, se
podra establecer un coeficiente de confianza de 0.95, que significa que se tiene la
confianza de que en 95 de cada 100 casos se obtendr una muestra que satisface su
precisin de 0.09 y slo en 5 de cada 100 casos se obtendr una muestra que no cubre
dicha aspiracin. El investigador confa, entonces, en que su muestra sea del primer grupo.
En conclusin, la precisin deseada (e) siempre debe ser acompaada
con una determinada confianza, dndose el caso de que los coeficientes de confianza ms
utilizados con son:
90%
95% y
99%
A su vez, a cada uno de los posibles coeficientes de
confianza seleccionados corresponde un determinado valor de una distribucin terica de
probabilidades, la cual se encuentra tabulada y ser explicada en los prximos captulos.
Por otro lado, para concluir este punto, se establece la relacin que
existe entre el coeficiente de confianza y el tamao de la muestra. Si los dems factores (la
varianza y la precisin) permanecen inalterables, se tendr:
- A mayor confianza mayor n.
- A menor confianza menor n.

d) El costo del muestreo es, por ltimo, otro factor digno de
consideracin a la hora de determinar el tamao que debe tener una muestra en un estudio
particular. Evidentemente, en la medida en que toda investigacin cuente con un
determinado presupuesto, con el cual desarrollarse, es importante la evaluacin del tamao
ptimo de muestra tambien en funcin del costo que pueda alcanzar la seleccin de
determinada magnitud de muestra.
De esta forma, si ante una precisin, una homogeneidad y una
confianza dada resulta un costo de muestreo excesivamente alto, ser necesaria la revisin
del esquema de muestreo propuesto para ajustarlo a los requerimientos presupuestarios
asignados, con lo cual se sacrificara o bien la precisin, o bien la confianza fijada.
La medida que se emplea en la teora de muestreo para mensurar el
costo de cada unidad de muestreo se llama Funcin de costo y escapa al alcance de un
texto introductorio sobre muestreo. Sin embargo, para ampliacin de este punto, se
recomienda la bibliografa que aparece al final del libro con los nmeros: (2), (3), (4), (5) y
(6).
Resumiendo todo lo sealado en este aparte del libro, podemos puntualizar
que la determinacin del tamao de la muestra requiere informacin acerca de las
varianzas poblacionales y decisiones en relacin con la precisin, la confianza y el costo en
la investigacin. Es tarea de investigacin, en consecuencia, el armonizar todos estos
factores a la hora de proceder a seleccionar un tamao de muestra acorde con el

procedimiento de muestreo ms adecuado y con las necesidades de la investigacin. En
este sentido, la ayuda del estadstico es vital.
Como es de suponer, cada uno de los factores vistos tendr un
tratamiento diferente en cada procedimiento de muestreo y esto ser abordado en cada
captulo correspondiente.
II.- 4.- Principio Bsico del Muestreo Probabilstico.
En concordancia con el punto anterior es posible enunciar el
principio bsico de la teora estadstica del Muestreo, en el cual se sigue a William
Cochran:
"La Teora del Muestreo intenta desarrollar mtodos de estimacin que

proporcionen, al ms bajo costo posible, estimadores que sean lo
suficientemente precisos para nuestro propsito" [Cochran: 1974].
Como resultado de esta bsqueda de mayor precisin y
calidad de la informacin al menor costo posible se ha desarrollado un gran nmero de
Mtodos de muestreo, de los cuales se han seleccionado lo ms importantes para este
trabajo y se presentan a continuacin.

Una gota de agua de mar no puede decir que ella

es el mar, aunque est compuesta de lo mismo.
"Ami, el nio de las estrellas"
(Enrique Barrios).
Captulo III
MUESTREO ALEATORIO SIMPLE

s
1.- Definicin:
i una muestra de tamao n es seleccionada de una poblacin de tamao N de tal
manera que cada muestra posible tiene la misma probabilidad de ser seleccionada, el
procedimiento de muestreo se denomina Muestreo Aleatorio Simple. A la muestra as
obtenida se le llama muestra aleatoria simple [Scheaffer, Mendenhall y Ott, 1987].
Este es el mtodo de muestreo ms sencillo pero, a la vez, es la base de
todos los dems procedimientos de seleccin de muestra. Segn este mtodo, se les
asignan probabilidades iguales de seleccin a todos y cada uno de los elementos que
componen la poblacin. Es fundamental, as mismo, que el mtodo de seleccin se base,
exclusivamente, en el azar y no en otros factores adems del azar.
2.- Supuesto Bsico:
El Muestreo Aleatorio Simple alcanza mayor eficiencia cuando hay evidencias de

que los elementos de la poblacin tienen un comportamiento esperado bastante
semejante; vale decir: si la poblacin es muy homognea (varianza muy pequea),
hecho que justificara el darle iguales probabilidades a todos de ser seleccionados
para integrar la muestra.
3.- Seleccin de una Muestra Aleatoria Simple: los pasos a seguir para
extraer una muestra aleatoria simple son los siguientes:

a) Se debe poseer una lista exhaustiva de todos los elementos que
conforman la poblacin de inters. A esta lista de poblacin se le denomina Marco
Muestral. Sin dicha lista es imposible extraer una muestra aleatoria simple y tendr que
utilizarse otro procedimiento de muestreo.
b) Se asigna un nmero a cada uno de los elementos del marco muestral.
c) Se puede utilizar una Tabla de Nmeros Aleatorios (Ver Apndice 1 al
final del texto), para buscar tantos nmeros como indique el tamao de muestra elegido.
Por ejemplo, si se ha establecido como tamao de la muestra 25 casos (n = 25 ) de una
poblacin de 8.750 elementos (N = 8.750), se procede a buscar, en la tabla de nmeros
aleatorios, 25 nmeros de 4 dgitos que vayan desde el 0001 hasta el 8.750, ambos
inclusive, es decir se buscan tantos nmeros ( en este caso: 25 ) como indique el tamao de
la muestra ( n = 25 ) y cada uno de ellos debe tener tantos dgitos (en este caso 4) como los
que tenga el tamao de la poblacin (N= 8.750, vale decir = 4 dgitos). La forma de
utilizar la Tabla de Nmeros Aleatorios se ilustra en el prximo ejemplo.
Por supuesto, este no es el nico procedimiento que garantiza la aleatoriedad
en la seleccin de la muestra; tambin se pueden emplear programas de computacin que
generan nmeros aleatorios, as como, incluso, calculadoras de bolsillo que tienen
incorporada la tecla de "random # ". Adems, posteriormente, es posible aplicar la prueba
de aleatoriedad de la muestra desarrollada por Wald-Wolfowitz [Siegel: 1972].
d) Luego de seleccionados los nmeros aleatorios, se ubican los elementos

de la poblacin a los cuales corresponden dichos nmeros en el marco muestral y se
procede a obtener de ellos las informaciones requeridas por los instrumentos diseados
para la recoleccin de los datos.
4.- Tamao de la Muestra Aleatoria Simple (M.A.S.).
Como ya se estableci en el captulo anterior, la determinacin del
tamao de la muestra est en funcin de la homogeneidad de la poblacin, la precisin
deseada para los estimadores y la confianza en dicha precisin. La Teora del Muestreo ha
desarrollado ecuaciones que permiten el clculo de "n", relacionando aquellos factores
entre s, pero tambin tomando en consideracin cul es el procedimiento de seleccin de
muestra escogido y cul es el tipo de medida que se desea estimar con la muestra. De esa
forma, el clculo de n vara en relacin con estos dos ltimos elementos.
4.1.- Clculo del tamao de la muestra en el M.A.S. para estimar una
Media Poblacional.
Si la medida de inters en una muestra aleatoria simple es la media
poblacional, el tamao de la muestra se calcula con la siguiente ecuacin:
z 2 .s 2
n= 2
e
donde z: valor de la Distribucin Normal para una Confianza dada.
s2: varianza (estimada) de la variable ms relevante en el
estudio.
e: error mximo admisible para la estimacin.

La ecuacin anterior se aplica en los casos en los cuales la poblacin es
infinita o el muestreo es con reemplazo. Por el contrario, si la poblacin es finita y no hay
reemplazo en el muestreo, se debe ajustar el tamao de la muestra a travs de una
expresin denominada Factor de Correccin para Poblaciones Finitas (FCPF). La
decisin acerca de cuando asumir como finita o infinita a una poblacin particular, puede
ser orientada por la siguiente regla:
Si la muestra incluye menos del 10 % de la poblacin,

sta puede considerarse como infinita y el factor de
correccin puede omitirse [Snedecor y Cochran, 1984].
En el caso contrario, el tamao de la muestra puede

ajustarse de la siguiente manera:
Regla para
Decisin
z 2 .s 2
sobre uso del n0 = 2 y
F.C.P.F. e
n0
n=
n0 + ( N 1)
N
Ejemplo parcial 1:
n socilogo est interesado en del 90 % y, adems, sabe, por estudios

U estimar cul es el tiempo medio de previos, que la desviacin tpica del
espera entre el arrestro y el juicio tiempo medio de espera es de 35 das.
para todos los procesados en cierta Cul debe ser el tamao de la muestra
ciudad. Si desea un error mximo aleatoria simple a utilizar?
admisible de 15 das, con una confianza

Solucin:
Datos o Ficha Tcnica:
Universo: todos los procesados de la ciudad.

Poblacin: los tiempos de espera para el juicio
por parte de todos los procesados
de la ciudad.
Variable clave: Tiempo de espera entre el
arresto y el juicio.
Parmetro a estimar: la media () del tiempo
de espera para todos los procesados
de la ciudad.
Varianza: s2 = 352
Error mximo admisible: e = 15 das.
Confianza: 90 %, al cual le corresponde un
valor de z = 1.645
(segn tabla
normal).
Por lo tanto:
(1.645) 2 .(35) 2
n= 2
= 14.7
(15)
Luego, el tamao de muestra ptimo para este plan de muestreo es de 15
procesados. Esto no significa que si, por cualquier razn, se desea trabajar con una muestra
de mayor tamao, esto no se deba hacer. Lo que permiten determinar las ecuaciones para
calcular "n" es el tamao ptimo de acuerdo con la "ficha tcnica" o requerimientos
establecidos. Este "ptimo" es el mnimo tamao que cumple con los requisitos del plan de
muestreo seleccionado (Confianza, Precisin, Variabilidad Poblacional y Costos). Un
tamao de muestra menor que ese "ptimo" no garantiza lo anterior.

Ejemplo parcial 2:
S
i en el problema anterior se muestra aleatoria simple, si todos
sabe que el tamao de la los dems factores permanecen
poblacin es de 138 procesados, iguales?
Cul debe ser el tamao de la
Solucin:
El primer paso es determinar si la poblacin de inters es finita. Esto se
obtiene dividiendo el tamao de la muestra ya calculado entre el tamao de la poblacin y
observando si el resultado es mayor a 0.10, vale decir, mayor del 10%.
As:
15
= 0.109 , es decir el 10.9 %.
138
De acuerdo con esto, la poblacin es finita y, por tanto, se debe aplicar el
factor de correccin para poblaciones finitas. As con n0 = 15, se tiene:
n0 15
n= = = 13.6 n= 14
n0 + ( N 1) 15 + (138 1)
N 138

En conclusin, despus de aplicar el factor de correccin, resulta que el
tamao de la muestra aleatoria simple debe ser de 14 procesados.
4.2.- Clculo de n en el M.A.S. para estimar una Proporcin Poblacional.
Si la medida de inters en una muestra aleatoria simple es la Proporcin
Poblacional, el tamao de la muestra se calcula con la siguiente ecuacin:
z 2 . p (1 p )
n=
e2
donde: z: valor de la distribucin normal para una confianza dada.
p (1 - p): representa la varianza de la proporcin y est determinada
por un valor estimado o hipottico de la proporcin p.
e: error mximo admisible.
Si la poblacin es finita se corrige el tamao de la muestra a travs del
Factor de Correccin para Poblaciones Finitas, tal como fue explicado anteriormente.
Ejemplo Parcial 3:
U
n investigador desea estimar de una muestra aleatoria simple. Si
la proporcin de votantes de establece un error mximo
un Estado que estn a favor de la admisible de 0.05 y una confianza
eleccin directa de los prefectos y del 95 %, cul debe ser el tamao
jefes civiles y lo va a hacer a travs de la muestra?

Solucin:
Universo: Todos los votantes del Estado.
Poblacin: Las opiniones de todos los votantes del Estado acerca

de la eleccin directa de prefectos y jefes civiles.
Variable clave: Opinin sobre la eleccin directa de prefectos
y jefes civiles.
Parmetro a estimar: Proporcin de votantes a favor de la
eleccin directa de prefectos y jefes civiles.
Error mximo admisible: e = 0.05.
Confianza: 95 %, le corresponde un valor de z = 1.96
(segn tabla de distribucin normal).
Varianza: p (1 - p) = 0.5(0.5) = 0.25 (Varianza mxima).
Se usa as porque no hay informacin sobre la
Varianza en el problema.
En el planteamiento del problema no existen indicios de que se conozca
algn valor de "p". En estos casos, se asume como valor hipottico de p a 0.50, el cual
ofrece el valor ms conservador posible para la varianza de una proporcin, a saber:
p (1 - p) = 0.50 (1 - 0.50) = 0.25 (Se le denomina Varianza Mxima).
De esta forma:
(1.96) 2 .(0.5)(1 0.5)

n= = 66.69 n = 67 votantes
(0.12) 2

Por lo tanto, el tamao de muestra ptimo para este plan de muestreo es de
67 votantes.
5.- Estimadores bsicos en el M.A.S.
La estimacin de parmetros a partir de una muestra aleatoria o
probabilstica se realiza a travs de ecuaciones matemticas que varan segn el tipo de
procedimiento de muestreo empleado. As, no es igual estimar una media poblacional con
datos de una muestra aleatoria simple, que hacerlo con informaciones provenientes de otro
tipo de muestra como se ver en los captulos siguientes. En este aparte, se presentan
frmulas de clculo para dos de los estimadores ms utilizados: la media y la proporcin
muestrales, con datos provenientes de una muestra aleatoria simple.
5.1.- Estimador de la media poblacional en el M.A.S.
x i
= X = i =1
n
Esta medida debe ser acompaada por la varianza del estimador, la cual
permite la elaboracin de intervalos de confianza y pruebas de hiptesis para la media
poblacional. As,
[ ]
V X =
s2
n

5.2.- Estimador de la proporcin poblacional en el M.A.S.
P = p =
x i
n
y la respectiva varianza del estimador:
P .Q
V [ p] =

n 1
donde: Q = 1 P
6.- Alcances y Limitaciones del M.A.S.
6.1.- Alcances del M.A.S.
a) El M.A.S. es el procedimiento de muestreo probabilstico ms
sencillo y es la base terica y prctica de la que se derivan los
mtodos ms complejos de seleccin de muestras. Por lo
tanto, su aplicacin y los clculos de las medidas que le
corresponden son ms fciles de realizar que con otros
procedimientos. De hecho, la mayor parte de los indicadores
de centralidad, dispersin y forma que son enseados en los
textos y en los cursos de estadstica bsica provienen de este
esquema de muestreo.

b) El M.A.S. es muy recomendable en situaciones en las que la
poblacin posea un alto grado de homogeneidad (medido por
la varianza estimada) y en las que los elementos no estn
dispersos en reas geogrficas demasiado amplias. En estas
circunstancias, el M.A.S. es eficiente ya que no es muy
costoso y provee un tamao de muestra razonablemente
pequeo, comparado con otros procedimientos de muestreo.
6.2.- Limitaciones del M.A.S.
a) El M.A.S. no es muy eficiente en aquellos casos en los que la
poblacin es sumamente heterognea, por cuanto es insensible a
la existencia de grupos de la poblacin con comportamientos
atpicos. Esto ocurre as porque en el M.A.S. todos los elementos
tienen la misma probabilidad de seleccin, lo cual desfavorece a
los sectores pequeos de la poblacin, los cuales tienen pocas
posibilidades de estar representados en la muestra, a menos que
se aumente significativamente el tamao de sta, lo cual puede
ser, a su vez, ms costoso.
b) El M.A.S. no se puede emplear en situaciones en las que no
exista una lista de todos los elementos de la poblacin.

c) El M.A.S. es poco recomendable cuando los elementos de la
poblacin estn muy diseminados en zonas geogrficas muy
amplias, ya que el costo por unidad de muestreo puede ser muy
alto.
7.- Problema Completo
P
lanteamiento: El universo de admisible de 12 metros2 y una
inters es el que aparece en el confianza del 95%. Si por un
Apndice 2 del libro, a saber las estudio piloto se estima una
reas de construccin con telfono desviacin tpica de 25 metros2,
en la regin de Paraguaipoa. Se extraiga una muestra aleatoria
desea estimar el tamao promedio simple y estime el tamao promedio
(en metros2) de dichas reas de del rea de construccin con
construccin, con un error mximo telfono en Paraguaipoa.
Solucin:
Universo: Las reas de construccin en Paraguaipoa.

Poblacin: El tamao (en metros2) de todas las construccio-
nes en Paraguaipoa. (Para fines didcticos esta informacin
se agreg al lado de cada elemento en el Apndice 2).
Variable clave: Tamao de construccin.
Parmetro a estimar: el tamao promedio de las
construcciones en Paraguaipoa.
Varianza: 625 metros4 [la varianza siempre viene dada en
unidades de la variable elevadas al cuadrado, en este
caso, (metros2) 2 = metros4].
Confianza: 95 %, le corresponde un valor de z = 1.96
(segn tabla de la distribucin normal).
Error mximo admisible: 12 metros2.
Plan de muestreo a utilizar: Muestreo
Aleatorio Simple.

a) El siguiente paso consiste en calcular el tamao de la muestra, segn la
informacin disponible. As:
z 2 .s 2 (1.96) 2 .(25) 2
n= 2 = = 16.67 n = 17
e (12) 2
Por lo tanto, el tamao de la muestra a utilizar es de 17 construcciones.
Sin embargo, se debe establecer si la poblacin es finita o infinita. Para
esto se cuenta el nmero de construcciones que aparecen en el marco
muestral (lista) para saber cul es el tamao de la poblacin (N).
Contando en la lista del apndice 1, result que el tamao de la
poblacin es de 140 (N = 140). Luego:
n 17
= = 0.12, la muestra representa ms del 10% de la poblacin.
N 140
En consecuencia, la poblacin es finita y debe aplicarse el Factor de
Correccin para Poblaciones Finitas. As, asumiendo a n0 = 17, se tiene:
n0 17
n= =
n0 + ( N 1) 17 + (140 1) n = 15
N 140
En definitiva, se extraern 15 construciones como muestra de la poblacin
de inters.

c) Para seleccionar la muestra aleatoria simple de 15 construcciones, se
debe primero asignar un nmero a cada elemento de la poblacin,
comenzando por 001 y finalizando en 140. Luego, se buscan en la tabla
de nmeros aleatorios 15 (n=15) de 3 dgitos cada uno (N = 140,
vale decir: 3 dgitos), que estn entre 001 y 140, ambos inclusive.
La tabla de nmeros aleatorios provee una gran cantidad de dgitos
cuyo orden de aparicin depende nicamente del azar. Para usarla se
puede comenzar cerrando los ojos y colocando, al azar, un lpiz sobre la
tabla. La bsqueda de cifras comienza entonces desde el punto donde
cay la punta del lpiz. Supngase que cayera en la interseccin entre la
hilera 19 y la columna 12; desde all se pueden comenzar a buscar, en
forma de hilera, los 15 nmeros de 3 dgitos que nos interesan. El
primer nmero de 3 dgitos que se encontr fue 375, pero no interesa
pues el marco muestral slo llega hasta 140. Al continuar la bsqueda,
se halla que el primer nmero de 3 cifras que interesa es el 121 y el
segundo es el 123 y as sucesivamente. (Ver ilustracin 1).
Los nmeros aleatorios hallados, segn el procedimiento detallado,
fueron los siguientes:
121 - 123 - 074 - 119 - 066
026 - 134 - 079 - 004 - 030
085 - 102 - 124 - 089 - 061.

Ilustracin 1 Tabla de Nmeros Aleatorios.
Columna
00000 00001 11111 11112 22222 22223 33333 33334

12345 67890 12345 67890 12345 67890 12345 67890
Hilera
01 66194 28926 99547 16625 45515 67953 12108 57846
02 78240 43195 24837 32511 70880 22070 52622 61881
03 00833 88000 67299 68215 11274 55624 32991 17436
04 12111 86683 61270 58036 64192 90611 15145 01748
05 47189 99951 05755 03834 43782 90599 40282 51417
06 76396 72486 62423 27618 84184 78922 73561 52818

07 46409 17469 32483 09083 76175 19985 26309 91536
08 74626 22111 87286 46772 42243 68046 44250 42439
09 34450 81974 93723 49023 58432 67083 36876 93391
10 36327 72135 33005 28701 34710 49359 50693 89311
11 74185 77536 84825 09934 99103 09325 67389 45869

12 12296 41623 62873 37943 25584 09609 63360 47270
13 90822 60280 88925 99610 42772 60561 76873 04117
14 72121 79152 96591 90305 10189 79778 68016 13747
15 95268 41377 25684 08151 61816 58555 54305 86189
16 92603 09091 75884 93424 72586 88903 30061 14457

17 18813 90291 05275 01223 79607 95426 34900 09778
Aqu se
inicia la 18 38840 26903 28624 67157 51986 42865 14508 49315
Bsqueda 19 05959 33836 53758 16562 41081 38012 41230 20528
de los 15
nmeros
20 85141 21155 99212 32685 51403 31926 69813 58781
21 75047 59643 31074 38172 03718 32119 69506 67143

22 30752 95260 68032 62871 58781 34143 68790 69766
23 22986 82575 42187 62295 84295 30634 66562 31442
24 99439 86692 90348 66036 48399 73451 26698 39437
25 20389 93029 11881 71685 65452 89047 63669 02656
26 39249 05173 68256 36359 20250 68686 05947 09335

27 96777 33605 29481 20063 09398 01843 35139 61344
28 04860 32918 10798 50492 52655 33359 94713 28393

b) A continuacin se ubican en la lista de poblacin, los elementos a los
cuales corresponden los nmeros seleccionados y se recoge de ellos la
informacin de inters. En este caso, interesan los tamaos de
construccin y esa informacin, para fines didcticos, aparece al lado de
cada individuo en la lista del apndice 2.
Toda la informacin se puede presentar como sigue:
No. aleatorio Elemento de la Muestra Tamao (en mts2)
(rea a nombre de:)
121 Rodriguez, Alberto 133
123 Rodriguez, Jorge 110
074 Lpez, Jos 74
119 Rivaneira, Maximiliano 65
066 Grupo Escolar Carmelina R. 238
026 Comercial Los Filos 190
134 Silva Mara 203
079 Martnez Vidal 114
004 Abreu O. Julio 92
030 Depsito el Indio 107
085 Ministerio de Sanidad 186
102 Ortiz, Eliecer 96
124 Romero F. Pal 90
089 Montiel, Mara 128
061 Gonzlez, Jos 121

c) Ahora se puede estimar la media del tamao de construccin con base en
los resultados de la muestra extrada. As:
1 n
= X = x i
n i =1
Entonces:
1
X = (1947) = 129.8 X = 129.8
15
Luego, el tamao promedio de las reas de construccin en Paraguaipoa
se estima en 129.8 metros2.

"Para muestra un botn"
Captulo IV
MUESTREO ALEATORIO ESTRATIFICADO

1.- Definicin:
U
na muestra aleatoria estratificada es aquella de tipo probabilstico, que se obtiene
dividiendo a la poblacin de inters en grupos mutuamente excluyentes y
colectivamente exahustivos llamados estratos y seleccionando una muestra aleatoria simple
dentro de cada estrato por separado.
Como se desprende de la definicin anterior, el Muestreo Aleatorio
Estratificado (M.A.E.) requiere previamente la separacin o divisin de la poblacin en
grupos de individuos con comportamientos similares. Es importante, pues, que dichos
grupos o Estratos se definan de modo tal que cada individuo o elemento de la poblacin
pertenezca a uno y slo uno de ellos.
2.- Supuesto Bsico
La Estratificacin se basa en la idea de que un grupo homogneo
requiere una muestra menor que un grupo heterogneo. Por esa razn, siempre que se
realice una buena estratificacin, se pueden obtener grupos muy homogneos en su
interior, lo cual permite la seleccin de una muestra ms pequea para cada estrato por
separado. No obstante, es obvio que para que se justifique el dividir a la poblacin en
estratos deben existir diferencias significativamente grandes entre los individuos que
pertenezcan a distintos estratos. De all que el supuesto bsico o principio rector del
M.A.E. sea el siguiente:

El Muestreo Aleatorio Estratificado, alcanza su mayor eficiencia

en la medida en que los estratos sean lo ms homogneo
posible en su interior y, a la vez, lo ms heterogneo posible
entre ellos.
El Principio anterior puede expresarse, simblicamente, asumiendo a S2E
como la varianza entre los estratos y a S2D como la varianza dentro de los estratos. De
esta forma, para que el M.A.E. alcance su mayor eficiencia deben elaborarse los estratos
de tal manera que se verifique lo siguiente:
S2D 0
S2E
En otras palabras, en la medida en que los estratos sean homogneos en su
interior con respecto a las variables estudiadas, se puede mejorar la eficacia del diseo de
seleccin de la muestra y ganar mayor precisin, comparndolo con el M.A.S., en relacin
con un tamao determinado de muestra.

3.- Procedimiento de Seleccin de la M.A.E.
El procedimiento para la seleccin de una muestra aleatoria estratificada
puede ser resumido en los siguientes pasos:
a) Se construyen los estratos de acuerdo con las variables
claves del estudio o investigacin y cumpliendo con las
caractersticas ya descritas.
b) Se extrae una muestra aleatoria simple de cada estrato por
separado.
c) Los miembros seleccionados de cada estrato se combinan
o mezclan para lograr tener una muestra de toda la
poblacin denominada aleatoria estratificada.
Evidentemente, los dos primeros pasos son ms complicados ya que, en el
primero, se requiere el mximo cuidado en la elaboracin de los estratos y esto se puede
lograr en la medida en que se puedan obtener suficiente informacin sobre la poblacin y
los posibles grupos que conforman. El segundo paso presenta una complicacin adicional,
por cuanto se precisan extraer tantas muestras aleatorias simples como estratos se hayan

elaborado y, por lo tanto, se requiere una lista de la poblacin (o marco muestral) por cada
estrato. Si esto se puede subsanar, el procedimiento se simplifica enormemente, sin
embargo, no siempre es posible obtener dichas listas exhaustivas de la poblacin.
Una ilustracin prctica acerca de cmo seleccionar una muestra aleatoria
estratifica, se presenta ms adelante con un Problema Completo.
4.- Tamao de una Muestra Aleatoria Estratificada
Los factores determinantes del tamao de la muestra son los mismos
vistos con anterioridad: la precisin y confianza deseadas y la varianza de la poblacin. A
su vez, la forma de clculo de n vara con el tipo de parmetro que se desea estimar. Ahora
bien, en el M.A.E. se agrega un nuevo elemento que es propio nicamente de este tipo de
muestreo y es la llamada Afijacin. Por lo tanto, antes de establecer las frmulas de
clculo de n en el M.A.E., es preciso clarificar en qu consiste el problema de la Afijacin.
La Afijacin es el reparto, asignacin, adjudicacin o reparticin del tamao
de la muestra (n) entre los distintos estratos. Es decir, determinacin de los valores ni
(tamaos de muestra) para cada estrato que verifiquen:
n1 + n2 +...+ nL = n

Los tipos de afijacin ms conocidos son los siguientes:
a) Afijacin Igual: consiste en repartir el tamao de la muestra
equitativamente entre los diferentes estratos. As:
n
ni = donde L: nmero de estratos.
L
b) Afijacin Proporcional: se trata de dividir la muestra total en partes
proporcionales al tamao de cada estrato en la poblacin. As:
Ni
ni = n donde Ni: tamao del estrato "i" en la poblacin.
N
c) Afijacin de Neyman: consiste en repartir la muestra teniendo en
cuenta no slo el tamao del estrato en la poblacin, sino tambin la
dispersin o grado de homogeneidad dentro de cada estrato, medido este
ltimo por las desviaciones tpicas de la variable de inters en cada
estrato. De esta forma:
n.Wi .si
ni = L
W .s
i =1
i i
Ni
donde Wi: peso relativo del estrato "i" con Wi =
N
si: desviacin tpica del estrato "i".

La solucin prctica de problemas relativos a cmo aplicar cada tipo de
afijacin se ver ms adelante. Por lo tanto, es necesario recordar que el objetivo
en este aparte es el de presentar cmo se establece el tamao de una muestra
aleatoria estratificada y luego proceder a repartir o afijar dicho tamao entre los
distintos estratos, empleando el tipo de afijacin previamente escogido. Aqu slo
se presentarn las afijaciones proporcional y de Neyman y se supondr normalidad
en los estimadores.
4.1.- Tamao de la muestra en el M.A.E. con afijacin proporcional, si
se desea estimar la Media Poblacional.
1
N
N s i
2
i
n=
e2 1 [Kish: 1982]
+
z2 N 2
N s i
2
i
4.2.- Tamao de la muestra en el M.A.E. con afijacin de Neyman, si
se desea estimar la Media Poblacional.
( N i s i ) 2
n= [Kish: 1982]
e2
N . 2 + N i si
2 2

4.3.- Tamao de la muestra en el M.A.E. con afijacin proporcional, si
se desea estimar la Proporcin Poblacional.
N . N i .Pi .Qi
n= [Kish: 1982]
e2
N . 2 + N i .Pi .Qi
2
4.4.- Tamao de la muestra en el M.A.E. con afijacin de Neyman, si
se desea estimar la Proporcin Poblacional.
n=
( Ni Pi.Qi ) 2
e2 [ Kish: 1982 ]
N . 2 + Ni.Pi.Qi
2
En todas las ecuaciones anteriores, se pudo observar la presencia de las
desviaciones tpicas de cada estrato en la determinacin del tamao de muestra
requerido. Esta informacin debe provenir de la revisin de estudios anteriores
similares a que se est realizando, o bien de la utilizacin de una muestra piloto
para cada estrato de la poblacin, o bien, en ltima instancia, por conjeturas
sugeridas por informantes clave especialistas en el rea que se estudia.

Ejemplo parcial 1:
Planteamiento: Se cuenta con la siguiente informacin referida a 2.010
fincas de una regin:
Tamao Nmero Desviacin Tpica de la
de la finca de fincas produccin de papas
(en hectreas) (segn estudio piloto)
0 - 80 855 15.3 toneladas
81 - 160 725 19.8 toneladas
201 y ms 430 10.2 toneladas
Si se aspira un error mximo admisible de 3.5 toneladas en la estimacin de
la produccin promedio de papas en todas las fincas, con una confianza del
90 %, se pide:
a) Cul debe ser el tamao de la muestra si se decide utilizar una afijacin
proporcional y cmo se distribuir ese tamao entre los estratos, segn
ese tipo de afijacin?
b) Cul debe ser el tamao de la muestra si se opta por emplear una
afijacin de Neyman y cmo se repartir ese tamao entre los estratos,
segn ese tipo de afijacin?

Solucin:
Universo: todas las fincas de la regin.

Poblacin: la produccin de papas (en toneladas) de todas
las fincas de la regin.
Parmetro a estimar: la produccin promedio de papas en
las fincas.
Error mximo admisible: 3.5 toneladas.
Confianza: 90 %, correspondindole un valor de z = 1.645
( segn la tabla de la distribucin normal).
Desviaciones tpicas: aparecen en el cuadro del problema.
Tipo de Afijacin escogida:
a) Proporcional.
b) De Neyman.
Nmero de estratos: 3 (definidos por
el tamao de la finca).
Respuesta a la Parte a) del Problema: Tamao de la muestra con
afijacin proporcional para estimar la media poblacional:
1
Ni s 2i
n= 2 N
e 1
2 i
2
+ N s 2i
z N
Se calcula primero el trmino N .s
i
2
i . As:
N .s
i
2
i = 855 (15.3)2 + 725 (19.8)2 + 430 (10.2)2 = 529113,15.
Luego:

1
(529113,15) 263,24037
n= 2010 = = 56.51
2
(3.5) 1 12.25
+ (529.113,15) + 0.1309653
(1.645) 2 (2010) 2 2706025
Por lo tanto, se extraern, al azar, 57 fincas del total de 2010 que hay en la
poblacin.
Ahora bien, de esas 57 fincas, cuntas sern extraidas del estrato 1 (0-80
hectreas), cuntas sern del estrato 2 (81 -160 hectreas) y cuntas pertenecern al
estrato 3 (161 hectreas en adelente)? Esto se establece a travs de la afijacin
escogida, que, en el aparte a) del problema, es la proporcional. Por tanto,
Ni
ni = n
N
855
n1 = 57 = 24.25
2010
725
n 2 = 57 = 20.56
2010
430
n3 = 57 = 12.19
2010
En resumen, corresponde extraer 24 fincas del primer estrato, 21 de segundo
y 12 del tercer estrato, con lo cual se verifica:
n1 + n2 + n3 = n ya que:
24 + 21 + 12 = 57

Respuesta a la Parte b) del Problema: Tamao de la muestra con
afijacin de Neyman para estimar la media poblacional:
( N . i s i ) 2 (855 x15.3 + 725 x19.8 + 430 x10.2) 2

n= = = 53.81
e2 2 (3.5)
2
N . 2 + N i si + 529113.15
2 2
(2010)
z (1.645) 2
n = 53.81
El nmero de fincas que ser seleccionado como muestra es de 54. stas se
repartirn entre los 3 estratos, de acuerdo con la afijacin de Neyman [fijada
en la parte b) del problema]. As:
n.Wi .si
ni =
Wi .si
En primer lugar, se calcula
855
W1 = = 0.425
2010
725
W2 = = 0.361
2010
430
W3 = = 0.214
2010

y, a su vez,
W .s i i =(0.425)(15.3) + (0.361)(19.8) + (0.214)(10.2) = 15.8331
Luego, aplicando la frmula de la afijacin de Neyman para cada estrato:
54(0.425)(15.3)
n1 = = 22.18
15.8331
54(0.361)(19.8)
n2 = = 24.38
15.8331
54(0.214)(10.2)
n3 = = 7.44
15.8331
En resumen, segn la afijacin de Neyman, corresponde extraer 22 fincas en
el primer estrato, 24 en el segundo y 7 en el tercero, las cuales, al ser sumadas, resultan
igual a 53 y no igual a 54 (que fue el tamao establecido). Esto ocurre por el redondeo de
los Wi. En estos casos, se recomienda incluir el elemento faltante en el estrato con menor
tamao en la muestra. As, en este caso, resultar que el tercer estrato tendr 8 casos en la
muestra, verificndose:
n1 + n2 + n3 = n
22 + 24 + 8 = 54
5.- Estimadores bsicos del M.A.E.
Los estimadores de la Media y la Proporcin Poblacionales, con datos de
una muestra aleatoria estratificada, se calculan de forma diferente en comparacin con los
de la muestra aleatoria simple. Esto se debe a que las probabilidades de seleccin de los

individuos del universo no es la misma para todos stos, sino que estn en relacin con el
tamao del estrato (y, adems, con la variabilidad si se usa afijacin de Neyman). Adems,
por definicin, en el muestreo probabilstico se utilizan las probabilidades de seleccin de
los individuos en la fase de la inferencia (Estimaciones y Pruebas de hiptesis).
Por otro lado, en el M.A.E. se pueden obtener estimadores para cada estrato
por separado asi como uno nico para toda la muestra estratificada.
5.1.- Estimador de la Media con una M.A.E.
Se denotar este estimador con el smbolo xest , donde el subndice
"est" indica que se ha utilizado muestreo aleatorio estratificado. El siguiente es un
estimador insesgado de la media poblacional, basado en el uso de muestras aleatorias
simples dentro de cada estrato.
L
1
est = X est =
N
N x
i =1
i i [ Yamane: 1967 ]
donde:
xest : Media estratificada muestral.
Ni: tamao de cada estrato en la poblacin
xi : media muestral de cada estrato.

5.2.- Estimador de la Proporcin Poblacional con una M.A.E.
1 L
Pest = pest = N i p i [ Yamane: 1967 ]

N i =1
donde:
pest : proporcin muestral estratificada
p i : proporcin muestral para cada estrato
5.3.- Varianza de los estimadores de la media y la proporcin
poblacionales con el M.A.E.
1 L
N i ni si 2
V ( xest ) = 2
2
N i
N i =1 Ni ni
Donde:
Si2: varianza de la media para estrato.
2 N i ni p i q i
L
1
V ( Pest ) = 2 N i

N i =1 Ni in 1
6.- Alcances y Limitaciones del Muestreo Aleatorio Estratificado:
6.1.- Ventajas:
El M.A.E. tiene varias ventajas sobre el Muestreo Aleatorio
Simple, a saber:
a) Frecuentemente, el costo de la recoleccin y el anlisis de los datos
se reduce al estratificar la poblacin en grupos cuyos elementos

tienen caractersticas similares pero que difieren mucho de un
grupo a otro e, incluso, se pueden tomar muestras pequeas de los
estratos con altos costos de muestreo y as minimizar el costo total
del muestreo.
b) Usualmente, la varianza del estimador de la media poblacional se
reduce empleando M.A.E., debido a que la variabilidad dentro de
los estratos es generalmente menor que la variabilidad de la
poblacin, lo cual mejora la precisin.
c) Con el M.A.E. se obtienen estimadores separados para los
parmetros de cada estrato, sin necesidad de seleccionar otra
muestra e incurrir en mayores gastos.
6.2.- Desventajas del M.A.E.
a) El M.A.E. no puede ser utilizado en aquellos casos en que no se
cuenta con una lista de la poblacin para cada estrato.
b) En muchos problemas prcticos, usualmente es difcil estratificar
con respecto a la variable bajo consideracin, especialmente por
razones fsicas y de costo. En muchos casos, la poblacin es
estratificada de acuerdo con conveniencias administrativas,
geogrficas y hasta por caractersticas naturales. Por ello, en
ciertos casos, la estratificacin no es tan rigurosa (por lo costoso) y
no son tan grandes las ganancias en cuanto a precisin.

c) El proceso mismo de estratificar una poblacin puede ser largo y
costoso y, en ciertos casos, puede hasta no ser recomendable
estratificar una poblacin ya de por s homognea, porque se
perdera tiempo y recursos.
7.- Problema Completo
Planteamiento:
E
mpleando como base el marco posee un tamao mayor de 95 mts2
muestral lista de y se ha establecido como error
construcciones con telfono de la mximo admisible un 0.12 de
regin de Paraguaipoa (Ver precisin con una confianza del
Apndice 2), se ha decidido dividir 90%. Se estima, adems, por un
a la poblacin en estratos de estudio piloto, que la proporcin de
acuerdo con el uso que se le da a construcciones mayores de 95 mts2
cada construccin (residencial o no es de 0.60 para el estrato
residencial). Se busca estimar la residencial y 0.80 para el estrato
proporcin de construcciones que no residencial.
a) Cul ser el tamao de la muestra y cmo se distribuir ste entre los dos
estratos, utilizando afijacin de Neyman?
b) Cul ser la proporcin de construcciones con ms de 95 metros2?

Solucin:
Universo: Todas las construcciones de Paraguaipoa

Poblacin: Los tamaos (en metros2 ) de todas las
construcciones de Paraguipoa.
Parmetro a estimar: proporcin poblacional de las
construcciones mayores de 95 metros2.
Variable que estratifica: Uso al que se destinan las
construcciones en Paraguaipoa.
Estratos: 1) Construcciones residenciales.
2) Construciones no residenciales.
Varianzas: Estrato 1: (0.60)(0.40) = 0.24 y
Estrato 2: (0.80)(0.20) = 0.16.
Error mximo admisible: 0.12.
Confianza: 90 %, corresponde a un valor en la
Tabla Normal de z = 1.645.
Tipo de muestreo: Aleatorio Estratificado.
Tipo de afijacin: Afijacin de Neyman.
Parte a) del Problema: Se requiere calcular el tamao de la muestra para
estimar una proporcin poblacional, empleando la Afijacin de Neyman. As:
n=
( Ni Pi.Qi )2
e2
N . 2 + Ni.Pi.Qi
2
z
Primero se calculan las expresiones:
Ni Pi.Qi y N .iPi.Qi
para lo cual se cuenta, en primer trmino, el nmero de construcciones residenciales en la
poblacin (N1) y el nmero de construcciones no residenciales (N2), obtenindose el
siguiente resultado de la lista del Apndice 2:

N1 = 106 construcciones residenciales.
N2 = 34 construcciones no residenciales.
De esta manera:
Ni Pi.Qi = 106 (0.6)(0.4) + 34 (0.8)(0.2) = 65.53
N .iPi.Qi = 106 (0.6) (0.4) + 34 (0.8)(0.2) = 30.88
Luego:
(65.53) 2 4294.18
n= 2
= = 31.77 n 32 construcciones.
2 (0.12) 135.18
(140) . + 30.88
(1.645) 2
En consecuencia, el tamao de la muestra a utilizar, segn los datos del
problema, debe ser igual a 32 construcciones, las cuales se repartirn entre los dos estratos
de acuerdo con la afijacin de Neyman. De esta forma:
n.Wi .si Ni
ni = con Wi =
Wi .si N
Para esta expresin primero debe calcularse el denominador W .s

i i
106 34
W .s i i =
140
(0.24) +
140
(0.16) = 0.2205714 y adems:

106 34
W1 = = 0.7571428 y W2 = = 0.2428571
140 140
Entonces:
32(0.7571428)(0.24)
n1 = = 26.36 n1 = 26 construcciones
0.2205714
residenciales
32(0.2428571)(0.16)
n2 = = 5.64 n2 = 6 construcciones
0.2205714
no residenciales
En resumen, se seleccionarn 32 construcciones repartidas o afijadas as: 26
residenciales y 6 no residenciales.
Ahora bien, para seleccionar la muestra aleatoria estratificada de 32
construcciones, se siguen los pasos establecidos en la parte 3 de este captulo.
Primero, se deben tener listas separadas para cada estrato en el universo o
poblacin y asignarles un nmero entero a cada elemento por listas separadas. De esta
manera, del primer estrato, se tiene una lista con las 106 construcciones residenciales, las
cuales se numeran del 001 al 106, resultando, un cuadro parecido al siguiente:

Lista de las Construcciones con uso Residencial en Paraguaipoa
Nmero asignado Propietario de la construccin
001 Abreu O. Carlos
002 Abreu O. Julio
003 Abreu O. Vinicio
. .
. .
. .
. .
106 Vivas Rosala
Por su parte, del segundo estrato se tiene una lista de 34 construcciones no
residenciales, las cuales se numeran del 01 al 34, obtenindose un cuadro similar a este:
Lista de las Construcciones con uso No Residencial en Paraguaipoa
Nmero asignado Propietario de la construccin
01 Abastos Popular
02 Abastos 23 del Carmen
03 Accin Democrtica
. .
. .
. .
. .
34 Prefectura de Paraguaipoa

A continuacin se procede a extraer una muestra aleatoria simple de cada
estrato; por lo tanto, se seleccionan, para el primer estrato, 26 nmeros al azar entre 001 y
106. Si se utiliza, para ese fin, una tabla de nmeros aleatorios (como la del Apndice 1),
se buscan 26 nmeros de 3 dgitos (ya que N1 = 106). Suponiendo que se inicie con la
hilera 5, columna 10, en forma de hilera, se tendr (desechando los nmeros mayores de
106, por supuesto, as como los repetidos, pues el muestreo es sin reposicin):
105- 038- 046 - 023 - 052 - 069 - 099- 082- 042 - 051 - 018 - 091 - 033
006- 029- 012 - 032 - 081 - 020 - 047- 037 - 075 - 069 - 039 - 036 - 025
Por su parte, para el segundo estrato se seleccionan 6 nmeros aleatorios
(entre 01 y 34, inclusive) de 2 dgitos cada uno, ya que N2 = 34. Suponiendo que se
comience con la hilera 10, columna 4 de la Tabla de Nmeros aleatorios anexa, se tendr:
27 - 13 - 30 - 05 - 28 - 10
El prximo paso es ubicar en cada una de las listas por separado los
elementos (construcciones) a los cuales corresponden los nmeros aleatorios seleccionados
y proceder a obtener de ellos la informacin requerida (clasificar el rea de construccin
segn si es mayor o menor de 95 metros2). Esta informacin se encuentra al lado de cada
elemento en el marco muestral (esto se hizo slo para fines didcticos).

De esta forma, se tiene:
Estrato 1:
Construcciones residenciales seleccionadas al azar

(rea a nombre de:)
105 Villamizar, Eva 78
038 Gonzlez, Jos 121
046 Higuera, ngel 135
023 Fernndez, Adriana 202
052 Marn, Vidalina 68
069 Ortz, Doilis 131
099 Silva, Douglas 62
082 Rendn, Niria 62
042 Govea, Daise 97
051 Marn, Irama 109
018 Chacn, Zoilo 91
091 Romero, Magda 60
033 Gonzlez, Anas 222
006 Barboza, Jos 90
029 Franco, Nancy 91
012 Borjas, Amrico 74
032 Gmez, Exio 94
081 Reinoso, Francisco C. 139
020 Gonzlez, Aldo 86
047 Hurtado, Carmen 113
037 Gonzlez, Ftima 111
075 Portillo, Al 97
039 Gonzlez, Rafael C. 88
036 Gonzlez, Albino 210
025 Fernndez, Mstica 53
068 Oliveros, Antonio 63

As mismo, en el estrato 2 se tiene:
Estrato 2:
Construcciones no residenciales seleccionadas al azar

(rea a nombre de:)
27 Ministerio de 237
Hacienda
13 Depsito La Chinita 1 85
30 Minist.de Relaciones 98
Interiores
05 Bazar Mendoza 250
28 Ministerio de Justicia 195
10 Comercial Los Filos 190
De esta manera, ya se cuenta con los elementos de muestra seleccionados en
cada estrato. Ambas muestras combinadas constituyen la denominada Muestra Aleatoria
Estratificada.
Parte b) del Problema: Ahora se puede calcular, por separado para cada
estrato, la proporcin de construcciones con ms de 95 metros2 y luego proceder a estimar
la proporcin estratificada.
En la muestra del Estrato 1, se puede observar que, del total de 26
construcciones, hay 12 con tamao superior a los 95 metros2 , mientras que en el Estrato 2
hay 5 construcciones con tamao mayor a 95 metros2; luego:
12
P1 = p1 = p1 = 0.46
26
5
P2 = p2 = p2 = 0.83
6

Finalmente, con esa informacin se puede estimar la Proporcin poblacional
de construcciones con tamao mayor de 95 metros2 que, en el caso de una muestra
aleatoria estratificada, se denomina Proporcin Estimada Estratificada y se calcula de la
siguiente forma:
L
1 1
Pest = p est =
N
N i p i =
i =1 (140)
(106)(0.46) + (34)(0.83) p est = 0.55
La proporcin de construcciones mayores a 95 mts2 en Paraguaipoa se
estima igual a 0.55 (es decir, 55 % del total).

"Lo esencial es
invisible a los ojos"
El Principito (Antoine de Saint-Exupery)
Captulo V
MUESTREO ALEATORIO POR CONGLOMERADOS

1.- Definicin:
C
onsiste en seleccionar de una poblacin, en forma
aleatoria, un conjunto de m colecciones de elementos muestrales
llamadas Conglomerados y, posteriormente, efectuar un censo o enumeracin completa en
cada uno de los conglomerados seleccionados.
Los mtodos presentados en los captulos anteriores estn pensados para
seleccionar directamente los elementos de la poblacin, es decir, que las unidades
muestrales son los elementos de la poblacin. En el muestreo por conglomerados la
unidad muestral es un grupo de elementos de la poblacin que forman una unidad, a la
que llamamos conglomerado. Las unidades hospitalarias, los departamentos universitarios,
una caja de determinado producto, etc, son conglomerados naturales. En otras ocasiones se
pueden utilizar conglomerados no naturales como, por ejemplo, las urnas electorales.
Cuando los conglomerados son reas geogrficas suele hablarse de "muestreo por reas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un
cierto nmero de conglomerados (el necesario para alcanzar el tamao muestral
establecido) y en investigar despus todos los elementos pertenecientes a los
conglomerados elegidos.
En el procedimiento bsico se utiliza un muestreo en dos etapas, a saber:

a) Primero se determinan conglomerados de elementos muestrales, los
cuales se asumen reunidos o concentrados en reas geogrficas o
fsicas de ubicacin fcil o conveniente. De la lista de
conglomerados que se disee, se escoge al azar un determinado
nmero de unidades.
b) Luego de seleccionado cierto nmero de conglomerados, se registra
(para los integrantes de cada uno) la informacin requerida en
funcin de las variables en estudio.
Por supuesto, el trabajo de mayor cuidado en el M.A.C. es la determinacin
de cules van a ser los conglomerados en los que se dividir la poblacin o universo de
inters y para ello se debe cumplir el supuesto bsico de la conglomeracin ptima.
2.- Supuesto Bsico:
El Muestreo Aleatorio por Conglomerados proporciona

una cantidad especificada de informacin a un costo mnimo cuando:
a) No existe una lista con todos los elementos de la poblacin
o sera muy costoso obtenerla.
b) La poblacin es muy grande y est dispersa en un rea
geogrfica muy extensa.

De esta forma, el M.A.C. se puede utilizar en aquellos casos en los que es
imposible aplicar un M.A.S. o un M.A.E., por la inexistencia de listas completas de la
poblacin.
Sin embargo, para que el M.A.C. alcance su mxima eficiencia en cuanto a
la "representacin" de la poblacin, es necesario satisfacer un supuesto bsico de la
conglomeracin, que es inverso al principio bsico de la estratificacin, a saber:
Los Conglomerados deben ser lo ms heterogneos posible en su
interior y, a su vez, lo ms homogneo posible entre s.
Esto puede expresarse simblicamente, asumiendo a S2d y a S2e
como las varianzas dentro y entre los conglomerados,
respectivamente, entonces:
S2d
S2e 0
El principio anterior es lgico ya que si se va a extraer algn conglomerado en
particular, lo ideal sera que ste tuviera un alto grado de heterogeneidad que posibilitara la

presencia de los distintos comportamientos de los elementos de la poblacin en esa
muestra de conglomerados [ Raj: 1979]. Este principio es difcil de cumplir en muchos
casos por cuanto los individuos de comportamientos similares tienden a concentrarse o
agruparse, lo cual dificulta la delimitacin de conglomerados con alta heterogeneidad.
Entre otros, es el caso de las clases sociales: las personas con similares ingresos y niveles
de vida tienden a concentrarse en determinadas urbanizaciones y barrios, en ciertos
mercados o en algunos centros educativos, deportivos o recreacionales.
De esta manera, el uso del M.A.C. produce, normalmente, una disminucin
de los costos de muestreo (por no ser necesaria una lista exhaustiva de la poblacin y estar
concentrados los elementos o unidades muestrales), pero en ocasiones el Error de Muestreo
aumenta debido a que los elementos de los conglomerados pueden tener caractersticas
comunes, lo cual podra dejar demasiado representados a ciertos grupos de poblacin y
poco representados a otros.
El mencionado error de muestreo se puede reducir, seleccionando un mayor
nmero de conglomerados pequeos, en lugar de unos cuantos conglomerados grandes. Es
decir, mientras ms pequeo es el tamao de cada conglomerado, menor es el riesgo de
excluir ciertos tipos de elementos en la muestra. A su vez, siendo el costo por unidad de
muestreo mucho menor que en el caso del M.A.S. y del M.A.E., se pueden incluir ms
unidades de muestreo y obtener un tamao de muestra mayor, con los mismos costos de los
otros tipos de muestreo probabilstico. Por lo tanto, se puede incluir mayor cantidad de
conglomerados pequeos, sin aumentar significativamente el costo y as reducir el error de
muestreo.

3.- Seleccin de la Muestra por Conglomerados.
A) El primer paso para seleccionar una M.A.C. es definir los
conglomerados en los que se va a dividir a la poblacin, los cuales
pueden ser manzanas de un barrio o urbanizacin, municipios o
parroquias de un estado, calles de una ciudad, salones de clase de un
colegio o universidad, etc.
B) Se elabora una lista de todos los conglomerados definidos, a cada uno
de los cuales se le asigna un nmero que lo identifique. En muchas
ocasiones, lo que se emplea es un plano o mapa de los
conglomerados.
C) Posteriormente, se eligen, al azar, tantos nmeros como
conglomerados se haya decidido seleccionar.
D) Finalmente, se procede a obtener la informacin requerida de todos y
cada uno de los elementos incluidos en los conglomerados elegidos al
azar.
Es preciso aclarar que el procedimiento descrito corresponde al modelo
bsico del M.A.C. En la prctica, muchas veces, se producen combinaciones o variaciones
del mismo, como por ejemplo:

a) en lugar de un censo en los conglomerados elegidos, se seleccionan (sub-
muestreo) al azar, algunas de las unidades, como manzanas dentro de
urbanizaciones o casas dentro de manzanas (Muestreo Tri-etpico o Poli-
etpico).
b) En lugar de seleccionar conglomerados con igual probabilidad de eleccin, se
estratifican los conglomerados de acuerdo a alguna variable de importancia y,
luego, se seleccionan las unidades para que cada estrato quede representado
(Muestreo Estratificado por Conglomerados).
Ejemplo Parcial:
Planteamiento:
S
e ha decidido dividir a la clase en los das y horas en que hay
poblacin estudiantil de una clases en todas las facultades.
Universidad en conglomerados, para Cmo se extrae informacin
tener ms fcil acceso a cada muestral para estimar el gasto
estudiante. Se decidi utilizar promedio en transporte por parte
como conglomerado a cada aula de de los alumnos?
Solucin:
Se asigna un nmero a cada saln de clase en todas las facultades. Si hay
460 aulas, entonces se tiene que el Total de Conglomerados (M) es igual a 460 en la
poblacin.

M = 460
Si se sabe que, en promedio, hay 75 alumnos por aula y se cuenta con
tiempo y recursos suficientes para entrevistar a 870 estudiantes, se deben escoger 12
conglomerados (unidades de primera etapa).
m = 12
Se requieren 12 conglomerados (salones) ya que
870
= 11.6 12
75
A continuacin, se eligen 12 nmeros (m = 12), al azar, de 3 dgitos
(M = 460, vale decir contiene 3 dgitos), que estn entre 001 y 460, inclusive. Despus, se
ubican los salones de clase seleccionados y se procede a levantar la informacin de todos y
cada uno de los estudiantes presentes en los 12 salones elegidos.
4.- Tamao de la muestra por Conglomerados:
Como se esboz en el aparte anterior, el tamao de la muestra por
conglomerados se determina de manera distinta en relacin con el M.A.S. y el M.A.E.
Precisamente, el hecho de no contar con listas de todos los elementos de la poblacin,
imposibilita la determinacin exacta, a priori, del nmero de elementos de la muestra.
Slo al final del censo realizado en cada conglomerado es posible conocer el tamao que
tiene la muestra seleccionada. Esto es as porque el nmero de elementos por
conglomerado (viviendas, manzanas, aulas, etc.) vara y, por tanto, el tamao real de la
muestra depende de los conglomerados que resulten seleccionados [ Kish: 1982 ].

Sin embargo, en el problema anterior, se present una forma de abordar el
problema del tamao de muestra para el M.A.C. El procedimiento consiste en:
a) Hallar alguna forma de tener una idea aproximada acerca del nmero
promedio de elementos (i ) que se encuentra en cada conglomerado. (Esto
puede hacerse revisando estudios pasados sobre la misma poblacin o
consultando a especialistas en el tema que se investiga).
b) Estimar, de antemano, cuntos elementos pueden ser escogidos, de acuerdo
con el presupuesto, tiempo y personal disponibles. Ese nmero de
elementos puede simbolizarse por nc. Tambin pueden usarse las frmulas
del tamao de la muestra del M.A.S. para establecer una referencia del
nmero a elegir.
c) Finalmente, se divide el nmero de elementos que podran ser estudiados
(nc) entre el nmero promedio de elementos en los conglomerados (i) y el
resultado ser el nmero de conglomerados ( m ) que sern extraidos como
muestra. As:
nc
m =
i

5.- Estimadores bsicos en el M.A.C.
5.1.- Media Conglomerada:
Es un estimador de la media poblacional ( ).
c = X c = t i
n i
donde: X c : media conglomerada muestral.
ti : total de las mediciones dentro del i-simo conglomerado
ni : nmero de elementos del i-simo conglomerado.
5.2.- Varianza de la media conglomerada.
V ( Xc) =
(t i X c .ni ) 2
m 1
donde: m: nmero de conglomerados seleccionados al azar.
5.3.- Estimador de la Proporcin Poblacional.
p = p c =
a i
n i
donde ai : nmero de elementos del conglomerado i que tienen la

caracterstica buscada en el estudio.

5.4.- Varianza del estimador de la Proporcin conglomerada:
N n (a i p mi )
2
V ( p ) =

2
NnM n 1
6.- Alcances y Limitaciones del M.A.C.
6.1.- Ventajas del M.A.C.
a) En el M.A.C. el costo por unidad de muestreo es, generalmente,
menor que en el M.A.S. y el M.A.C., debido al costo menor de las
listas (marco muestral) o de la localizacin de los elementos o de
ambas cosas. Esto posibilita el incluir mayor cantidad de elementos
en la muestra y, por ende, un volumen mayor de informacin en
relacin al M.A.S. y al M.A.E.
a) Por supuesto, una gran ventaja del M.A.C. es que permite aplicar un
procedimiento de muestreo probabilstico en situaciones en las que no se
posee una lista exhaustiva de los elementos de la poblacin
6.2.- Desventajas del M.A.C.
a) El M.A.C., generalmente, da una estimacin menos precisa que la de
una M.A.S. o una M.A.E. del mismo tamao. La razn de esto es,
como se explic antes, que en la mayora de las situaciones
prcticas, se deben aceptar los conglomerados tal como se presentan

(por razones administrativas, naturales o culturales) y,
frecuentemente, cada uno es relativamente homogneo, adems de
diferente de los otros. En realidad, el uso del M.A.C. est,
generalmente, dictado por consideraciones administrativas y de
costo [ Slonim: s/f ].
b) El M.A.C. tiene tambin como desventaja que requiere clculos ms
complicados para el anlisis estadstico de los datos recopilados.
Por tanto, los costos y problemas del anlisis estadstico pueden ser
mayores que en el M.A.S. y en el M.A.E.
En consecuencia con lo anterior, es preferible trabajar con
conglomerados cuando el menor costo por unidad de muestra compense, con creces, las
dos desventajas mencionadas: varianza mayor (menor precisin) y altas complicaciones y
costos del anlisis estadstico.

BIBLIOGRAFIA CITADA:
1.- RAO, C. Radhakrishna.(1973) Lineal Statiscal inference and its aplications.

Editorial John Wiley and sons, Nueva York.
2.- SNEDECOR, George y COCHRAN, William. (1984) Mtodos Estadsticos.

Editorial Continental, Mxico.
3.- COCHRAN, William. (1974) Tcnicas de Muestreo. Compaa Editorial

Continental, S.A., Mxico.
4.- SUKHATME, Pandurang (1956). Teora de encuestas por muestreo con

aplicaciones. Fondo de Cultura Econmica, Mxico.
5.- AZORN P., Francisco (1961). Curso de muestreo y aplicaciones. Universidad

Central de Venezuela, Caracas.
6.- JESSEN, Raymond (1978). Statistical Survey Techniques, John Wiley ans sons,
Nueva York.
7.- SCHEAFFER, R., MEDENHALL, W. y 0TT L.(1987) Elementos de Muestreo,

Grupo Editorial Iberoamrica, Mxico.
8.- YAMANE, Taro (1967). Elementary Sampling Theory. Prentice Hall, New Jersey.
9.- KISH, Leslie (1982). Muestreo de Encuestas. Editorial Trillas, Mxico.
10.- RAJ, Des (1979). La estructura de las Encuestas por Muestreo. Fondo de Cultura
Econmica, Mxico.
11.- SLONIM, J. (Sin fecha). El Muestreo en pocas palabras.(Mimeo). Escuela de

Estadstica y Ciencias Actuariales, UCV, Caracas.
12.- SIEGEL, Sidney (1972). Estadstica no paramtrica aplicada a las ciencias de la

conducta. Editorial Trillas, Mxico.

APNDICES

Apndice 1 Tabla de Nmeros Aleatorios.
Columna
00000 00001 11111 11112 22222 22223 33333 33334

12345 67890 12345 67890 12345 67890 12345 67890
Hilera
01 66194 28926 99547 16625 45515 67953 12108 57846
02 78240 43195 24837 32511 70880 22070 52622 61881
03 00833 88000 67299 68215 11274 55624 32991 17436
04 12111 86683 61270 58036 64192 90611 15145 01748
05 47189 99951 05755 03834 43782 90599 40282 51417
06 76396 72486 62423 27618 84184 78922 73561 52818

07 46409 17469 32483 09083 76175 19985 26309 91536
08 74626 22111 87286 46772 42243 68046 44250 42439
09 34450 81974 93723 49023 58432 67083 36876 93391
10 36327 72135 33005 28701 34710 49359 50693 89311
11 74185 77536 84825 09934 99103 09325 67389 45869

12 12296 41623 62873 37943 25584 09609 63360 47270
13 90822 60280 88925 99610 42772 60561 76873 04117
14 72121 79152 96591 90305 10189 79778 68016 13747
15 95268 41377 25684 08151 61816 58555 54305 86189
16 92603 09091 75884 93424 72586 88903 30061 14457

17 18813 90291 05275 01223 79607 95426 34900 09778
18 38840 26903 28624 67157 51986 42865 14508 49315
19 05959 33836 53758 16562 41081 38012 41230 20528
20 85141 21155 99212 32685 51403 31926 69813 58781
21 75047 59643 31074 38172 03718 32119 69506 67143

22 30752 95260 68032 62871 58781 34143 68790 69766
23 22986 82575 42187 62295 84295 30634 66562 31442
24 99439 86692 90348 66036 48399 73451 26698 39437
25 20389 93029 11881 71685 65452 89047 63669 02656
26 39249 05173 68256 36359 20250 68686 05947 09335

27 96777 33605 29481 20063 09398 01843 35139 61344
28 04860 32918 10798 50492 52655 33359 94713 28393

Apndice 2 (Marco Muestral)

Lista de Propietarios de Construcciones de la regin de Paraguaipoa (1/3)
Nmero Propietario rea Tipo de uso
(metros2)
1 Abastos Popular 52 NR
2 Abastos 23 del Carmen 64 NR
3 Abreu O., Carlos 105 R
4 Abreu O., Julio 92 R
5 Abreu O., Vinicio 83 R
6 Accin Democrtica 101 NR
7 Arrieche, Emilio 81 R
8 Atencio, Jos 162 R
9 Banco de Fomento Zulia 94 NR
10 Barboza, Jos 90 R
11 Barboza, Oda 204 R
12 Barrios, Mileni 73 R
13 Barrios, Helimenes 61 R
14 Barrios, Stella C. 98 R
15 Barrios, Stella O. 104 R
16 Bazar Mendoza 250 NR
17 Biblioteca Juyou 184 NR
18 Borjas, Amrico 74 R
19 Carvajal, Jess 81 R
20 Carvajal, Manuela 91 R
21 Carvajal, Rigoberto 90 R
22 Castillo, Isabel 61 R
23 Ciclo Bsico Orngel Semprn 90 NR
24 Cine Tiyoma 104 NR
25 Comercial El Indio 83 NR
26 Comercial Los Filos 190 NR
27 Copro-Guajira 74 NR
28 Chacn, Mara 112 R
29 Chacn, Zoilo 91 R
30 Depsito El Indio 107 NR
31 Depsito La Chinita 1 85 NR
32 Depsito La Chinita 2 73 NR
33 Depsito La Embajada 95 NR
34 Depsito Yasmely 92 NR
35 Durn, Jess 80 R
36 Empresa Guajira de Artesanos 90 NR
37 Enelven 125 NR
38 Estacin de Servicios Los Filos 141 NR
39 Estacin de Servicios San Jos 133 NR
40 Expendio de Medicinas Guajira 78 NR
41 Expendio Medicina Paraguaipoa 65 NR
42 Gonzlez, Aldo 86 R
43 Gonzlez, Gabriel 99 R
44 Fara, Dolores 135 R
45 Fernndez, Adriana 202 R
46 Fernndez, Evencio 75 R
47 Fernndez, Mstica 53 R
48 Fernndez, Olga 81 R
49 Fernndez, Segundo 75 R
50 Ferretera El Cacique 138 NR
51 Finol, Jorge 85 R


(metros2)
52 Franco, Nancy 91 R
53 Garca, Nelly 112 R
54 Giano, Gloria 67 R
55 Gmez, Exio 94 R
56 Gonzlez, Anas 222 R
57 Gonzlez, Arturo 90 R
58 Gonzlez, Lemibania 91 R
59 Gonzlez, Albino 210 R
60 Gonzlez, Ftima 111 R
61 Gonzlez, Jos 121 R
62 Gonzlez, Rafael C. 88 R
63 Gonzlez, Rafael A. 70 R
64 Gonzlez, Irenaldo 120 R
65 Govea, Daise 97 R
66 Grupo Escolar Carmelina Roldn 238 NR
67 Grupo Escolar Nacional Guajira 220 NR
68 Guerra, Emilia 77 R
69 Hernndez, Carmen 82 R
70 Hernndez, Lupe 91 R
71 Higuera, ngel 135 R
72 Hurtado, Carmen 113 R
73 Len, Isabel 61 R
74 Lpez, Jos 74 R
75 Marn, Leobaldo 85 R
76 Marn, Irama 109 R
77 Marn, Vidalina 68 R
78 Marrufo, Elona 73 R
79 Martnez, Vidal 114 R
80 Ministerio de Agricultura y Cra 86 NR
81 Ministerio de Hacienda 237 NR
82 Ministerio de Justicia 195 NR
83 Ministerio de la Defensa 445 NR
84 Minist.de Relaciones Interiores 98 NR
85 Min. Sanidad y Asistenc. Social 186 NR
86 Min. Transp. Y Comunicaciones 102 NR
87 Montiel, Nemecio 94 R
88 Montiel, Mara D. 105 R
89 Montiel, Mara E. 128 R
90 Montiel, Mara F. 89 R
91 Montiel, Neida 77 R
92 Monzn, Blanca 114 R
93 Monzn, Anibal 60 R
94 Moreno, Ins 59 R
95 Nivar, Mara 100 R
96 Nez, Alis 92 R
97 Nez, Ender 81 R
98 Nez, Manuel 101 R
99 Ojeda, Floirn 76 R
100 Oliveros, Antonio 63 R
101 Ortz, Doilis 131 R
102 Ortz, Elicer 96 R


(metros2)
103 Palmar, Humberto 70 R

104 Palmar, Roberto 61 R
105 Palmar, Martha 83 R
106 Parroquia San Jos Paraguaipoa 75 NR
107 Paz, Nelson 105 R
108 Portillo, Al 97 R
109 Prefectura de Paraguaipoa 108 NR
110 Quintero, Hctor 71 R
111 Quintero, Jos 82 R
112 Ramrez, Carmen 94 R
113 Ramrez, Yaurepara 60 R
114 Reinoso, Francisco A. 100 R
115 Reinoso, Francisco C. 139 R
116 Rendn, Niria 62 R
117 Ros, Arsenio 84 R
118 Rivadeneira, Maximiliano 91 R
119 Rivanteira, Maximiliano 65 R
120 Rodrguez, Deisy 152 R
121 Rodrguez, Alberto 133 R
122 Rodrguez, Jairo 191 R
123 Rodrguez, Jorge 110 R
124 Romero, Pal 90 R
125 Romero, Magda 60 R
126 Romero, Ramn 79 R
127 Romero, Sol 141 R
128 Snchez, Pedro 71 R
129 Sayago, Rosa 90 R
130 Sierra, Jos 81 R
131 Silva, Jos 70 R
132 Silva, Adalberto 59 R
133 Silva, Douglas 62 R
134 Silva, Mara 203 R
135 Urdaneta, Luis 71 R
136 Vsquez, Genaro 130 R
137 Viedo, Alvaro 65 R
138 Villalobos, Mara 72 R
139 Villamizar, Eva 78 R
140 Vivas, Rosala 118 R

Javier Parra - Guía de Muestreo (2003)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Javier Parra - Guía de Muestreo (2003)

Uploaded by

Copyright:

Available Formats

Gua de Muestreo

__________________________________Javier Parra Olivares_____________________________________

Javier Parra Olivares

Profesor Titular de La Universidad del Zulia.

Gua de Muestreo Pgina 2

Gua de Muestreo Pgina 3

Mi ms infinito agradecimiento a quienes han hecho de m un

Gua de Muestreo Pgina 4

I.- Conceptos bsicos 9

II.- El problema del muestreo 14

III.- Muestreo aleatorio simple 28

IV.- Muestreo aleatorio estratificado 46

V.- Muestreo aleatorio por conglomerados 71

Gua de Muestreo Pgina 5

"Dale un pescado a un hombre y comer un da.

N uestro conocimiento, nuestras actitudes y nuestras acciones, estn basadas, en

gran parte, en muestras. Esto es igualmente cierto en la vida cotidiana y en la

problemas de cmo obtener una muestra y de cmo extraer conclusiones satisfactorias de

fue tomada la muestra y, as mismo, se convierte en muy relevante el estudio de las

tcnicas que aseguren la confiabiliad de la muestra.

Gua de Muestreo Pgina 6

Hoy da, en la investigacin cientfica es habitual que se empleen muestras

principios recogidos en las tcnicas de muestreo.

El objetivo ms importante de la estadstica como disciplina es el de hacer

como conjunto de tcnicas de seleccin de muestras, se ha convertido en los ltimos aos

en un instrumento de valiosa importancia en gran parte de las investigaciones en una

enorme variedad de campos.

Sin embargo, a pesar de su gran utilidad, los procedimientos estadsticos de

muestreo presentan, en la mayora de los textos, cierta complejidad en su tratamiento

estadstico-matemtico y poca claridad respecto al tipo de situaciones en las que son

aplicables, lo cual dificulta la toma de decisiones metodolgicas vlidas para la inferencia

La finalidad principal de este libro es la de presentar los 3 procedimientos

complejidad. Se busca, en este contexto, presentar de manera didctica, accesible y con

aplicaciones, los aspectos fundamentales de cada procedimiento, resaltando su

aplicabilidad a situaciones concretas y, en sntesis, facilitando una gua para la toma de

manejado un curso elemental de Estadstica.

Gua de Muestreo Pgina 7

Por esta razn, no se profundiza en la derivacin matemtica de frmulas,

prestando atencin slo a las formas de aplicacin de las ecuaciones en circunstancias

regin de Paraguaipoa, a partir de la cual se resuelven problemas completos para ilustrar el

existente sobre muestreo, en el cual slo se presentan ejemplos y problemas resueltos

muestreo en situaciones concretas de investigacin. No obstante lo anterior, tambin se

Por ltimo, la organizacin del libro es la siguiente: primero, se presenta

conocimientos de un curso elemental de estadstica, posteriormente se ubica en su

importancia al problema de muestreo como metodologa para, finalmente, presentar los 3

su definicin, supuestos bsicos, pasos de seleccin, determinacin del tamao de la

muestra, estimadores bsicos, alcances y limitaciones y un problema completo referido a

una poblacin real.

Gua de Muestreo Pgina 8

"Mustrame a un nio y me dars esperanzas".

Gua de Muestreo Pgina 9

comprensin de este libro y, en general, de los

procedimientos estadsticos de seleccin de muestras. Estas definiciones se presentan de

manera suscinta por cuanto no constituyen el principal objetivo de este trabajo.

1. - Experimento Aleatorio: Es aquel fenmeno del cual no se pueden

2. - Espacio Muestral: Es el conjunto de todos los posibles resultados de

3. - Variable Aleatoria: Es una funcin puntual que asigna un nmero

real a cada elemento de un espacio muestral (resultados de un experimento aleatorio). Es

una variable medible (en el lenguaje de la teora de la medida) [Rao, 1973].

letras minsculas x, y, z. Sus resultados no son predecibles con exactitud.

4. - Universo: Es el conjunto conformado por todos los elementos, seres u

objetos que contienen las caractersticas y mediciones u observaciones que se requieren en

una investigacin dada.

5. - Poblacin: Es el conjunto integrado por todas las mediciones u

Javier Parra Olivares___