ESCUELA MILITAR DE INGENIERÍA

INGENIERÍA INDUSTRIAL

CAPITULO 3
MUESTREO
Ing. Roberto E. Soza Diaz
 3.1 Definiciones
a) Población. Es el conjunto finito o infinito de
todos los elementos o entes, sobre las cuales
están definidas las características o variables
que interesan analizar.
b) Población Objetivo. Es el conjunto de
elementos del cual se selecciona realmente la
muestra, dado que poseen una o más
características en común. Pueden ser finitas o
infinitas.
c) Marco Muestral. Es una lista de todas las
unidades de muestreo disponibles para su
selección.
Ing. Roberto Soza D.
 3.1 Definiciones
 Parámetro. Valor numérico que describe una
característica de una población. Los parámetros
son, en general, valores desconocidos. Son
valores numéricos constantes, NO son variables.
 Estadístico. Valor numérico que describe una
característica de la muestra. NO es un valor
numérico constante, sino que es una variable:
su valor concreto depende de la muestra en la
que es calculado.

Ing. Roberto Soza D.

3.1 Definiciones

Ing. Roberto Soza D.

 3.1 Definiciones
d) Muestreo. Proceso que nos permite la
extracción de una muestra a partir de una
población.
e) Muestra. Es una parte o porción de la
población. Por tanto, es un subconjunto de
medidas de la característica de estudio.
f) Elemento. Es la unidad acerca de la cual se
necesita la información.
g) Unidad de Muestreo. Es el elemento o
elementos disponibles para su elección.

Ing. Roberto Soza D.

 3.2 Representatividad de la Muestra
La representatividad de la muestra depende de:
a) Del mecanismo de selección: que ha de
garantizar que no hay un elemento de la
población con más probabilidad que otro de
entrar en la muestra. Si no, sería una muestra
sesgada.
b) Del tamaño de la muestra: si el mecanismo de
selección es correcto, cuanto más grande sea
la muestra mayor será la probabilidad de que
se parezca a la población.

Ing. Roberto Soza D.

3.3 Procedimiento del Muestreo
Definir la Población

Identificar el Marco
Muestral

Seleccionar un
Procedimiento de
Muestreo

Determinar el Tamaño
de Muestra

Seleccionar y Analizar
la Muestra

Ing. Roberto Soza D.

 3.3 Procedimiento del Muestreo
Ejemplo 1. El gerente de Brosso, planea colocar un
anuncio publicitario en el periódico anunciando:
“2x1” para el siguiente martes. A una muestra de
clientes se realizará una encuesta para determinar
la edad del cliente promedio y la influencia que
tuvo el anuncio publicitario. Se pide desarrollar un
plan de muestreo.

Ing. Roberto Soza D.

 3.3 Procedimiento del Muestreo
Ejemplo 2. El INE desea determinar el IPC, para lo
cual debe estimar el gasto promedio de la canasta
familiar a nivel nacional. Se pide desarrollar un
plan de muestreo.

Ing. Roberto Soza D.

 3.3 Procedimiento del Muestreo
Ejemplo 3. Las empresas panificadoras deben
ofertar panes de 40 g. El señor José Feliciano,
dueño de un horno, quiere determinar si su
producción diaria de panes cumple con este
requerimiento. Se pide desarrollar un plan de
muestreo.

Ing. Roberto Soza D.

 3.4 Ventajas del Muestreo
Las principales ventajas de estudiar una
población, a partir de muestras son:
 Una muestra ahorra tiempo.
 Una muestra ahorra dinero.
 Una muestra puede ser más exacta.
 Una muestra evita la destrucción o
contaminación de la población.

Ing. Roberto Soza D.

 3.5 Tipos de Muestreo
Existen dos tipos de muestreo:
 Muestreo No Probabilístico
La selección de los elementos de la muestra no
se hace al azar, si no a criterio del investigador.
 Muestreo Probabilístico
La probabilidad de aparición de cualquier
elemento de la población es conocida (o
calculable). Se considera científicamente
valido.

Ing. Roberto Soza D.

 3.6 Muestreo No Probabilístico
 Muestreo por Conveniencia. Se elige una
muestra por ser conveniente, fácil, económica.
Pero no se hace en base a un criterio de
aleatoriedad. Se obtienen muestras erráticas o
casuales.

Ing. Roberto Soza D.

 3.6 Muestreo No Probabilístico
 Muestreo por Conveniencia.

Ing. Roberto Soza D.

 3.6 Muestreo No Probabilístico
 Muestreo a Juicio. Se selecciona una muestra
con base en juicios personales de lo que algún
experto considera acerca de la contribución de
ciertos elementos de muestreo, para que la
muestra sea representativa. Se conocen como
muestras intencionadas o racionales.

Ing. Roberto Soza D.

 3.6 Muestreo No Probabilístico
 Muestreo por Cuotas. Se emplean pasos
explícitos para tener una muestra similar a la
población en algunas características. Las
características de interés deben estar
representadas en la muestra, en las mismas
proporciones que en la población.

Ing. Roberto Soza D.

 3.6 Muestreo No Probabilístico
 Muestreo de Bola de Nieve. La selección de
entrevistados adicionales se basa en las
referencias de las entrevistas adicionales.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Aleatorio Simple (MAS). Aquel en
que, a priori, todos los elementos de la
población tienen la misma probabilidad de
aparición o selección.

NA( Min, Max )  Min  NA(0,1) MaxMin

 Ej. Min = 1; Max = 29
 NA(0, 1) = 0,6059  NA(1, 29) = 17
 NA(0, 1) = 0,9367  NA(1, 29) = 27
 NA(0, 1) = 0,4565  NA(1, 29) = 13
 NA(0, 1) = 0,0349  NA(1, 29) = 1

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Aleatorio Simple (MAS). Aquel en
que, a priori, todos los elementos de la
población tienen la misma probabilidad de
aparición o selección.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Aleatorio Simple (MAS).

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Sistemático. Se parte de una lista de
la población, y se toman elementos de la misma
a intervalos constantes.
 Intervalo de Salto: k
N
n

NA( Min,Max )  NA(1,k ) i1k

 Donde: i = 1, 2, 3, 4,…

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Sistemático. Se parte de una lista de
la población, y se toman elementos de la misma
a intervalos constantes.
 Intervalo de Salto: k
N
n

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Sistemático.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
Ejemplo 4. Seleccionar una muestra aleatoria de
10 elementos de una población de 970 elementos
(estudiantes de Ingeniería Industrial de la UMSA).
Aplicando
a) muestreo aleatorio simple
b) muestreo sistemático

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Estratificado (MAE). Se divide a los
sujetos en diferentes subpoblaciones o estratos
(mutuamente excluyentes y colectivamente
exhaustivos), en función de cierta característica
relevante (edad, sexo, nivel de ingresos,
religión, etc.), y después se hace un muestreo
aleatorio simple en cada estrato.
Estrato 1 Estrato 2

Población

Muestra Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Estratificado (MAE). Se divide a los
sujetos en diferentes subpoblaciones o estratos
(mutuamente excluyentes y colectivamente
exhaustivos), en función de cierta característica
relevante (edad, sexo, nivel de ingresos,
religión, etc.), y después se hace un muestreo
aleatorio simple en cada estrato.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo Estratificado (MAE).

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo por Conglomerados (MAC). Se
considera “conglomerados de elementos”,
“Clusters” o Grupos (mutuamente excluyentes y
colectivamente exhaustivos), eligiendo
aleatoriamente uno o varios conglomerados. La
muestra estará formada por todos los elementos
de los conglomerados.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo por Conglomerados (MAC). Se
considera “conglomerados de elementos”,
“Clusters” o Grupos (mutuamente excluyentes y
colectivamente exhaustivos), eligiendo
aleatoriamente uno o varios conglomerados. La
muestra estará formada por todos los elementos
de los conglomerados.

Ing. Roberto Soza D.

 3.7 Muestreo Probabilístico
 Muestreo por Conglomerados (MAC).

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
 Media
Si: Población Infinita Población Finita Observaciones
Z 2  2 Z 2 N  2
n  2 22 Si se conoce la
2 = ok n 2

E2 Z    N E 2 Varianza Poblacional
2

Si NO se conoce la
Z 2 S 2 Z 2 N S 2 Varianza Poblacional,
2 = ? n 2 n 2
y el PRIMER
2 Z  S  N E 2
2 2
RESULTADO es:
E 2
n  30
Si NO se conoce la
2
 t n 1  N S 2
2
 t n1  S2 Varianza Poblacional,
2 =?   
2  y el PRIMER
y n  2 2
 n
n 1
2
 t  S 2  N E 2 RESULTADO es:
n < 30 E n < 30
 2 
 Se debe iterar con:
g.l. = n – 1
Ing. Roberto Soza D.
 3.8 Determinación del Tamaño de
Muestra
 Proporción
Si: Población Infinita Población Finita Observaciones
Z 2 p1 p  Z 2 N  p1 p  Ya sea la
p = ok n 2 2 n 2 2
Proporción
E Z   p1 p  N 1E 2
2 Real o Estimada
2
Z Z 2 N
p=? n 2 Escenario pesimista:
 p = 1/2 n 2
2 Z   4 N 1E
2 2
“n” máximo
4E 2

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
Ejemplo 5. La gerencia de una empresa
manufacturera desea determinar el tiempo
promedio necesario para realizar una determinada
operación manual. Se precisa tener una confianza
del 95% de que el error de la estimación no exceda
a 2 minutos.
¿Qué tamaño de muestra se necesita si la
desviación estándar del tiempo necesario para
realizar la operación ha sido estimada en 10
minutos?

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
Ejemplo 6. La reacción de un individuo con
respecto a un estímulo en un experimento
psicológico puede adoptar una de dos formas, A ó B.
Si un investigador quiere estimar la probabilidad de
que una persona reaccione de manera A, ¿cuántas
personas deben incluirse en el experimento?
Suponer que el investigador estará satisfecho si el
error de estimación es menor que 0.04 con una
probabilidad igual a 0.90. Suponer que la
probabilidad tenga un valor alrededor de 0.6.
Suponer que no se conoce la probabilidad.

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
Ejemplo 7.

Ing. Roberto Soza D.

Consultas? Comentarios?

GRACIAS!!!