Sesión 15 — Transcript

Introducción al muestreo estadístico: conceptos, importancia, tipos y aplicación en investigaciones.

Key Takeaways

  • El muestreo estadístico es fundamental para obtener muestras representativas y confiables.
  • El marco muestral debe estar actualizado y limpio para evitar pérdidas de información.
  • No basta con calcular el tamaño de muestra, también es crucial seleccionar correctamente los elementos y definir estimadores.
  • El muestreo no probabilístico es útil solo para referencias, no para inferencias estadísticas.
  • La prueba piloto es esencial para validar el instrumento y minimizar errores en la recolección.

Summary

  • Definición y relevancia del muestreo estadístico en la investigación.
  • Diferencia entre muestreo estadístico (aleatorio) y no estadístico (no probabilístico).
  • Importancia de calcular y seleccionar un tamaño de muestra adecuado.
  • Concepto y función del marco muestral para evitar pérdidas muestrales.
  • Uso de estimadores muestrales para media, varianza y proporción poblacional.
  • Proceso completo del muestreo: desde el instrumento hasta la recolección de datos.
  • Diferencia entre censo y encuesta por muestreo.
  • Importancia de la prueba piloto para validar instrumentos y evitar pérdidas.
  • Consideraciones prácticas y logísticas en la aplicación del muestreo.
  • Aplicación del muestreo para corroborar hipótesis y hacer estimaciones confiables.

Chapters

  1. 00:00Introducción al muestreo estadístico
  2. 05:10Concepto de muestra y población
  3. 10:05Marco muestral y su importancia
  4. 14:37Diferencias entre censo y encuesta por muestreo
  5. 28:41Tipos de muestreo y selección de elementos
  6. 48:49Estimadores y cálculo del tamaño de muestra
  7. 63:07Prueba piloto y control de pérdidas muestrales
  8. 76:10Aplicación práctica y conclusiones

Full Transcript — Download SRT & Markdown

00:18
Speaker A
y empecemos ya. Muy bien. Entonces, el día de hoy, muchachos, tenemos que ver el tema de eh a ver, es el famoso muestreo estadístico ¿no?
00:37
Speaker A
Bueno, todos hemos escuchado en algún momento este tema, ¿no? Este concepto de mostrero estadístico y bueno, es una de las etapas muy importantes, ¿no? Acá vamos a comprender pues algunos conceptos de qué es muestra, qué es población, qué es margen de error, qué está
00:55
Speaker A
haciendo respuesta y todos esos puntos y algunos conceptos que hemos ya hablado en anteriores temas, ¿no? Por ejemplo, a nivel de confianza, a nivel de significancia, todos esos conceptos que ya se vieron, ¿no?, en prueba de hipótesis, pero esta este tema del muestreo va
01:14
Speaker A
mucho más allá, ¿no? Por ejemplo, a veces nos preguntamos, ¿cuánto de tamaño de muestra tengo que tomar para mis investigaciones ¿no?
01:25
Speaker A
Y cuánto de margen de error tiene es tamaño de muestra, ¿no? Hay varios conceptos que siempre lo usamos.
01:34
Speaker A
Entonces, el mostrero estadístico se encarga pues de darnos todas las herramientas necesarias para poder calcular un tamaño de muestra adecuado, seleccionar un tamaño de muestra adecuado y también para hacer estimaciones, ¿no? Entonces, la estimación es una tarea muy importante,
01:54
Speaker A
pero detrás de todo eso está el muestreo estadístico, ¿no? Es todo un proceso, ¿no?
02:00
Speaker A
No es simplemente calcular el tamaño de muestra y se acabó, ¿no? El muestrado estadístico se enfoca en todo. Es más, en la prueba piloto debe haber una muestra en los trabajos en el trabajo de campo, en la capacitación a la gente que va a
02:16
Speaker A
ir a campo. Todo está siempre eh siempre está presente el concepto de muestreo estadístico, ¿no?
02:26
Speaker A
Cuando se habla de muestreo estadístico, muchachos, se habla de una muestra pues aleatoria, ¿no? Ese muestreo que te permite obtener estimaciones, ¿no?
02:35
Speaker A
Hay otro muestreo que es el muestreo no estadístico o o no probabilístico, ¿no? Que ese muestreo no sirve para tomar inferencias, ¿no? Simplemente es algo referencial.
02:49
Speaker A
A veces queremos saber pues la eh la percepción de algunos eh comensales de un restaurante, por ejemplo, lo que se hace es un muestreo por conveniencia y bueno, te va a dar una idea pues cómo cuál es la opinión de
03:02
Speaker A
esos comensales, ¿no? Sin embargo, eh el muestro estadístico ya es mucho más especializado, ¿no? Te permite obtener estimaciones.
03:17
Speaker A
Muy bien, vamos a ver todos los detalles. Ya. Entonces, cuando se habla del muestro estadístico muchachos se habla del muestreo, pues que lo vamos a usar para fines indiferencia, ¿no? Entonces se dice, muchachos, que el muestreo estadístico es un proceso o
03:38
Speaker A
conjunto de métodos que se usa para obtener una muestra finita a partir de una población.
03:49
Speaker A
¿Con qué fin, muchachos? Con el fin de estimar valores de parámetros. Si quieres hacer una estimación, tienes una muestra, pero también se usa para corroborar hipótesis, muchachos.
04:06
Speaker A
Nosotros podemos afirmar una prueba hipótesis, ¿no? Por ejemplo, decir que la edad promedio de los estudiantes de la universidad de de quinto siglo es 22 años, ¿no?
04:17
Speaker A
Es una suposición, ¿no? Esta suposición yo lo tengo que corroborar tomando, ¿qué cosa? una muestra, ¿no? Esa muestra me va a servir para corroborar si efectivamente esto de acá es cierto o no. No, así de simple, muchachos.
04:41
Speaker A
Entonces, muy aparte de servir para estimaciones las muestras, también sirve para corroborar hipótesis, ¿no? También para ver la distribución de probabilidades y bueno y muchas cosas más, ¿no?
04:56
Speaker A
Hasta ahorita hemos hablado de la de muestra, muestra y todo, ¿no? Pero detrás de la muestra existe un muestreo estadístico que te va a dar todos los insumos para obtener, calcular, estimar y todo ello, ¿no?
05:10
Speaker A
Muy bien. Entonces, cuando se habla del muestrado estadístico, va a haber el concepto de muestra, ¿no? Y qué va a ser una muestra quiere decir que voy a tener una población y una muestra simplemente es una parte de esa población.
05:23
Speaker A
Pero si yo quiero que la muestra sea muy eficiente, la muestra debe ser aleatoria, ¿no? Es decir, que se que sea representativa, como se dice ¿no?
05:36
Speaker A
Muy bien, ese es el famoso muestro estadístico. Muy bien. Aparte de ser una técnica estadística obviamente básicamente se dice que el muestro es como un arte, ¿no? que que implica hacer muchas cosas de tal manera que tengas o que los datos recogidos sean muy
05:59
Speaker A
confiables, ¿no? Obviamente también detrás de todo eso está el instrumento de medición y todo yo, ¿no? El muestreo ya es como que el segundo paso, ¿no? Una vez que ya tienes tu instrumento, el siguiente paso es la recolección de la
06:13
Speaker A
información ¿no? Muy bien, eso es en sí el muestrado estadístico, ¿no? Es decir, cuando se habla de muestrado estadístico, muchachos, siempre hay que estar relacionado con el tema del tamaño de muestra, ¿no? ¿Cuánta muestra yo requiero para mi
06:31
Speaker A
investigación? Eso no. Otro punto, supongamos que acá te sale 500 tu tamaño de muestra.
06:46
Speaker A
Ahora hay que preguntarnos, ¿no?, ¿qué elementos van a formar parte de esos 500? No, es decir, la selección de los elementos.
06:59
Speaker A
Entonces, una cosa es calcular el tamaño de muestra, muchachos. Otra muy diferente es la selección, ¿no? Que es totalmente diferente.
07:10
Speaker A
Luego vamos a tener que elegir, por ejemplo, algunos estimadores, ¿no? Claro, si tu objetivo es tomar esa obtener una muestra para las estimaciones, tienes que hacer, obviamente, o tienes que definir tus estimadores, ¿no?
07:26
Speaker A
Por ejemplo, los estimadores más comunes de la media poblacional, su estimador muestral es la media muestral, ¿no?
07:37
Speaker A
De la varianza poblacional es la varianza muestral, ¿no? De la proporción poblacional, su estimador es la proporción muestral, ¿no?
07:50
Speaker A
Y esto, ¿cómo se calcula? Simplemente como el promedio de los datos de la muestra.
08:00
Speaker A
Entonces, esto sí es entre n - 1, ¿no? Muy bien. A eso se refiere, muchachos.
08:18
Speaker A
Entonces, esos son los estimadores más conocidos, ¿no? Promedios, proporciones son los más usados, ¿no?
08:27
Speaker A
Pero el muestrado estadístico, muchachos, una cosa es calcular el tamaño de muestra, otra cosa es seleccionar los elementos, identificar los estimadores, pero hay un paso muy importante y que nadie se da cuenta que es contar con el famoso marco muestral,
08:44
Speaker A
¿no? La muestra se obtiene de acá. ¿Cómo es eso? Yo voy a tener mi población, ¿no? Supongamos que todo esto sea mi población.
08:59
Speaker A
Esa es tu población objetivo, como se dice. Pero esa población objetivo lo tienes que limpiar, tienes que depurar, muchachos.
09:08
Speaker A
Por ejemplo, si estás haciendo una encuesta para medir la intención de votos de un candidato X, todas las personas de 18 años a más pueden votar. Bueno, acá en el Perú, pero hay personas, eso sería tu población objetivo, ¿no?
09:27
Speaker A
Pero hay personas como por ejemplo eh los prisioneros, los que están en la cárcel, los difuntos, algunas personas con ciertas enfermedades especiales, cierto grupo de la milicia. Entonces esas personas no pueden votar. los hospitalizados y todos esos puntos, ¿no?, esas
09:50
Speaker A
personas. Entonces, lo que se tiene que hacer es limpiar o actualizar tu población objetivo y eso vendría a ser tu famoso marco muestral.
10:05
Speaker A
Se podría decir que el marco muestral es una población de objetivo más actualizada ¿no?
10:11
Speaker A
Y efectivamente de la del marco muestral es la que se extrae la muestra. ¿Por qué no de todo?
10:19
Speaker A
Porque imagínese que tu muestra de 120 personas, 20 sean prisioneros por x motivos de la vida, literal vas a perder información, ¿no?
10:34
Speaker A
Entonces para evitar una pérdida muestral, lo que tienes que garantizar es tener un marco actualizado.
10:42
Speaker A
Eso es lo correcto. Entonces, hay que tener mucho cuidado, ¿no? Algunos autores hablan del universo, pero es es un concepto que ya no se usa, ¿no?
10:55
Speaker A
Ya no se usa. Ahora se habla de población objetivo, marco muestral y muestra ¿no?
11:03
Speaker A
Los INIS de cada país usan este concepto de marco muestral, ¿no? Muy bien, seguimos.
11:18
Speaker A
Ahora ustedes me van a seguro comentar lo siguiente. Profesor, las encuestas o los estudios de encuestas solamente se aplican muestreo.
11:31
Speaker A
Claro, la idea es lo siguiente, ¿no? Existen dos formas de recojo de información, los censos o las encuestas por muestreo, ¿no?
11:47
Speaker A
El censo, muchachos, obviamente ustedes lo conocen, ¿no? Eh, generalmente los censos recolectan información a poblaciones enteras, ¿no? Es decir, tienen que abarcar toda la población, es decir, recoger toda la información posible ¿no?
12:13
Speaker A
Quizás la limitación del censo, muchachos, es que toma mucho tiempo, ¿no? Aparte del la parte logística es muy complicado, ¿no? Imagínase hacer una un censo poblacional de un país.
12:25
Speaker A
Por ejemplo, acá Perú tiene más o menos 33 millones de habitantes aproximadamente, pero imagínense Brasil que tiene más de 240 millones. complicado, ¿no?
12:37
Speaker A
Pero sí es necesario hacer censos porque te permite conocer tu población, ¿no? Solo que son muy costosos también, mucho tiempo, muy costosos, mucha logística y generalmente lo realizan los gobiernos, muchachos, o algunas instituciones grandes, ¿no?
12:57
Speaker A
¿Cuál es la frecuencia que se recomienda de los censos? Por ejemplo, cada 10 años se recomienda hacer un censo, ¿no?
13:06
Speaker A
Entonces, obviamente no cualquiera puede hacer un censo, ¿no? Por todo lo que implica, pero es una forma de recoger información.
13:15
Speaker A
Luis, adelante. La buenas noches para todos y para noche para todos. Eh, respecto al censo y a la encuesta, perdón, eh respecto al censo y a las encuestas, eh, es muy bueno, está más en uso el uso de cens por los costos que
13:39
Speaker A
involucra hacer eh está más de uso las encuestas por los costos que involucra hacer un censo y que en muchas ocasiones los los censos hay una serie de errores, de levantamiento de datos, de selección, de que no de de la de la la misma forma
13:58
Speaker A
del, o sea, del encuestador que introduce un sesgo. Hay una serie de sesgos que se se introducen en el censo.
14:07
Speaker A
Además, lo que pero lo que más importa es el costo. En Estados Unidos, por ejemplo, hacen censo, pero en Estados Unidos hay muchas, muchos aspectos de la de la economía y la vida social de Estados Unidos que lo manejan con el
14:18
Speaker A
censo, porque ellos prefieren manejar un censo donde tienen que los recursos que hay se focalizan mejor, se distribuyen mejor, se manejan mejor y ellos manejan el error. Eso significa entonces que yo podría decir con generalizar esa ese censo, esa encuesta a la población
14:37
Speaker A
general con con una con un con un error manejable por por el por los investigadores.
14:44
Speaker A
Eso ayudaría mucho a manejar los el levantamiento de los datos y a tomar decisiones.
14:50
Speaker A
Aún así, tienes razón, los censos se utilizan en muchos países, pero en países grandes como Estados Unidos, que tiene 350 millones de personas aproximadamente, Brasil, China, la India, que son países que son superpoblados.
15:04
Speaker A
Bueno, ahí hacer un censo me imagino que debe ser terrible. [risas] Sí, porque sería, imagina medir 1000. La India ahora mismo es el país más poblado del mundo, superando la a la China.
15:17
Speaker A
Imagínate, 1600, 1700 millones de personas debe ser un dolor de cabeza censarlos a todos.
15:23
Speaker A
Sí, totalmente de acuerdo, la totalmente de acuerdo, ¿no? A medida que la población crece es inmanejable el censo, ¿no?
15:32
Speaker A
Pero países pequeños, Perú, por ejemplo, Chile, Colombia y muchas de la región hacen pues su censo, ¿no?
15:41
Speaker A
La importancia del censo es pues el conteo poblacional y más que todo eso, ¿no?
15:49
Speaker A
Las encuestas, si son cosas específicas, obviamente van a ser mucho más eficientes ¿no? Eso, en otras palabras, las encuestas son mucho más especializadas, ¿no?
16:01
Speaker A
Pero el censo, muchachos, también tiene otro tipo de utilidades. Por ejemplo, actualizar el catastro, ¿no?
16:10
Speaker A
la parte de cartografía, las famosas manzanas sensales, unidades geográficas, es decir, tiene muchas implicancias, ¿no?
16:21
Speaker A
Cosa que una encuesta no puede hacer, pero las encuestas son mucho más precisos en cuanto a estimaciones, ¿no?
16:28
Speaker A
Justo vamos a hablar de ello. Por ejemplo, una encuesta obtiene información utilizando una muestra obviamente de la población, ¿no?
16:38
Speaker A
Una muestra aleatoria. no es tan costosa, eh, implican poco poco tiempo, pueden ser realizadas por muchos investigadores personas y se puede hacer eh con mucha frecuencia ¿no?
16:58
Speaker A
Por ejemplo, las de las encuestas demostró que ustedes pueden aplicar paso investigación es muy muy manejable, ¿no?
17:09
Speaker A
Pero los INIS, por ejemplo, acá en el Perú INI, por ejemplo, tienen dos encuestas muy grandes, ¿no?
17:18
Speaker A
Y muchos países, ¿no? Inclusive tiene la famosa encuesta nacional de hogares. Se podría decir que estas son las dos más grandes, ¿no?
17:28
Speaker A
Esta encuesta nacional de hogares, así como lo hice su nombre, su objetivo es mostrar viviendas y hogares y personas.
17:37
Speaker A
Es decir, una encuesta que tiene tres unidades de observación. ¿Qué? ¿Para qué sirve esta encuesta?
17:45
Speaker A
Principalmente para estimar la pobreza en el Perú. Recoge información socio demográfica, más que todo sería económico social.
18:02
Speaker A
Luego existe otra encuesta llamado la encuesta nacional de salud familiar. Esta encuesta se dedica netamente a salud, salud infantil y salud materna y embarazo adolescente, ¿no?
18:22
Speaker A
Entonces, como quien dice, estas dos grandes encuestas recoge pues el perfil general del país, ¿no? Y obviamente sirve pues para tomar decisiones a nivel de política, ¿no?
18:36
Speaker A
Y así hay mucho más encuestas, ¿no? Pero estas dos son, como quien dice ideales para tomar decisiones.
18:45
Speaker A
Muy bien. Entonces estas dos encuestas son las famosas encuestas por muestreo, ¿no? Muestras que tienen 32,000 hogares.
18:53
Speaker A
Imagínense una muestra grande, ¿no? Pero para que tengas inferencia pues nacional regional eh, es interesante, ¿no? que tu muestra también sea grande, ¿no?
19:07
Speaker A
Entonces, hay dos maneras de recoger información, sensos y encuestas y ya saben cuáles son las diferencias más notables ¿no?
19:16
Speaker A
Como su compañero MEC, efectivamente las encuestas son mucho más eficientes porque tú controlas tu margen de error, ¿no?
19:25
Speaker A
Y eso implica muchas cosas, ¿no? desde el diseño de tu instrumento de medición, desde el trabajo de campo, todo, absolutamente todo. Literal, tu precisión va a depender pues de todo ese trabajo ¿no?
19:42
Speaker A
Muy bien. Tengo entendido que muchos países tienen su encuesta nacional de bares. Eso sí es fijo, ¿no? Para medir la pobreza.
19:54
Speaker A
Eh, sí. Por eso República Dominicana hay un informe encuentra nacional de hogares que se hace cada cierto tiempo.
20:00
Speaker A
Exacto. Sí, tengo entendido que todos los países lo tienen. Muy bien. Muy bien, muchachos. Y estas encuestas son complejas, pues, ¿no?
20:17
Speaker A
Eh, su compañera Sandar me pregunta, "¿La encuesta no es el instrumento?" No, la encuesta ya es el todo, ¿no?
20:27
Speaker A
Como quien dice, la encuesta ya es el proceso de recojo de información, pero para eso necesitas tu instrumento, tu muestra, tu equipo de campo. Si se dan cuenta, es una suma de muchas cosas, ¿no? No hay que confundir el instrumento es otra
20:43
Speaker A
cosa. Les comentaba que estas encuestas, muchachos, son encuestas eh de bajo muestreo, pero un muestreo complejo, ¿no? No es no es nada sencillo.
20:59
Speaker A
Eh, ya eso después lo mencionamos justamente lo que lo muestro, ¿no? ¿Qué es una encuesta por muestreo? Cuando se habla de encuestas por muestreo, muchachos, implica muchas cosas, ¿no?
21:17
Speaker A
Encuesta no quiere decir instrumento, ¿no? No hay que confundir eso. Ya la encuesta por muestreo ya es todo el, como quien dice, el conjunto de procedimientos, ¿no? Por ejemplo, se dice que la encuesta por muestreo, muchos lo dicen solamente encuesta,
21:36
Speaker A
es una técnica que utiliza un conjunto de procedimientos de investigación mediante los cuales se recogen y analizan una serie de datos de una muestra de casos.
21:50
Speaker A
Obviamente esa muestra tiene que ser representativa. Lo que se pretende con esta muestra es explorar, describir, predecir y explicar una serie de características de la población.
22:06
Speaker A
Eso es los el objetivo de las encuestas por muestra. Es todo un proceso. Instrumento, tamaño de muestra, selección, equipo de campo, prueba piloto, recojo información validación consistencia estimación, luego informe de resultados, algo así.
22:32
Speaker A
Es un proceso muy muy largo, ¿no? Sobre todo lo que hacen las encuestas grandes, ¿no?
22:41
Speaker A
No es nada sencillo, muchachos. A veces pensamos que las que es sencillo, pero implica mucho trabajo, ¿no?
22:53
Speaker A
¿Y qué es el famoso diseño muestral? El diseño muestral, muchachos, es aquella parte del muestreo, mejor dicho, es aquella parte, se podría decir.
23:14
Speaker A
A ver, las encuestas por muestreo, imaginen que tienen un inicio y un fin. Una parte de esa es el famoso diseño muestral que se va a enfocar netamente en lo que es muestra, ¿no? Todo relacionado a la muestra, le dicen diseño muestral,
23:35
Speaker A
ese es el nombre que le dan, ¿no? Por eso se dice que el diseño muestral, muchachos, es la parte modular de un proyecto de encuesta por muestreo.
23:45
Speaker A
Es decir, todo aquello que vas a querer conocer de la muestra se lo conoce como diseño muestral.
23:52
Speaker A
tasa de no respuesta, reemplazo, margen de error, selección, factores de expansión, calibración de los factores, todo eso es el famoso diseño muestral, ¿no?
24:09
Speaker A
Es decir, si el estudio por encuesta es todo esto, una partecita muy importante es el diseño muestral, es el corazón de todo estudio por encuesta.
24:21
Speaker A
de muestreo, no he buscado varias definiciones de diseño muestral, muchachos, en varios libros, pero el que más me gustó es el del Dane, el Dirección Nacional de Estadísticas de Colombia. en el 2018, 2008, perdón, lanza un estudio, un documento, se
24:43
Speaker A
podría decir, metodológico y explica muy bien lo que es el diseño muestral. Muchachos, me ha gustado esa definición.
24:53
Speaker A
Y dice, "El diseño muestral puede entenderse como el conjunto de estrategias y procedimientos encaminados a seleccionar una muestra de una población objetivo de estudio que cumple con una serie de características estadísticamente deseables que sirven para asegurar niveles establecidos de precisión.
25:21
Speaker A
En otras palabras, son todo aquellos procedimientos que nosotros vamos a realizar para obviamente eh el tema de la muestra, ¿no?
25:35
Speaker A
Acá está la limpieza de la población objetivo para definir tu marco muestral, calcular el tamaño de muestras, seleccionar los elementos, todo, todo, absolutamente todo, identificar tus estimadores y todo ello, ¿no? Entonces, esta definición del diseño muestral de la DANE, muchachos,
25:54
Speaker A
es la que más me ha gustado. Por eso siempre lo pongo ahí, ¿no? Eso es el famoso diseño muestral.
26:05
Speaker A
Solo que nosotros en nuestras investigaciones pequeñas calculamos el tamaño de muestra y se acabó, ¿no?
26:12
Speaker A
Pero ese proceso pequeño que has hecho forma parte del diseño muestral y el diseño muestral es una parte modular de las encuestas por muestreo.
26:24
Speaker A
¿Se dan cuenta? Hay jerarquías, ¿no? Muy bien. Hemos hablado hasta ahorita del muestreo estadístico y hemos hablado de varios conceptos.
26:41
Speaker A
Población objetivo, por ejemplo. La población objetivo, muchachos, es la colección completa de todas las unidades que se quieren estudiar.
26:54
Speaker A
Es tu todo. Muchos autores un poco antiguos decían que eso era el universo y eso es falso, ¿no?
27:08
Speaker A
A eso se a ese grupo total de lo que tú quisieras medir se conoce como población objetiva.
27:16
Speaker A
¿Por qué? Porque es tu población de interés. Obviamente si tuvieras los recursos arrasas con todo mediante un censo, ¿no?
27:25
Speaker A
Pero la idea no es esa, ¿no? Y qué vendría a ser el marco muestral.
27:30
Speaker A
Ya les comenté también, ¿no? El marco muestral es un listado actualizado de elementos que componen la población que queremos estudiar y de la cual se va a extraer la muestra.
27:45
Speaker A
En otras palabras, es un listado actualizado de los elementos que van a formar parte para extraer la muestra, ¿no?
27:52
Speaker A
Ese es el marco muestrado, mejor dicho, es un listado limpio, actualizado, sin ningún problema.
28:03
Speaker A
Y bueno, la muestra ustedes ya saben lo que es, ¿no? Cuando se habla de muestra así a secas es el la muestra aleatoria, obviamente no se dice que es un subconjunto representativo de la población, muchachos.
28:23
Speaker A
Eso es el famoso muestra, ¿no? Subconjunto representativo de la población. Es una parte de la población. ¿Por qué se habla de la población? Porque obviamente siempre la muestra es aludido hacia la población objetivo, ¿no?
28:44
Speaker A
Que se extrae una muestra el marco muestral, eso va otra cosa, ¿no? Esto ya se hace con fines eh para evitar pérdida muestral ¿no?
28:53
Speaker A
La unidad de muestreo es el objeto a ser seleccionado en la muestra que permitirá el acceso a la unidad de observación.
29:06
Speaker A
Una cosa es la unidad de muestreo y otra cosa la unidad de observación. Por ejemplo, si yo voy a encuestar colegios, voy a tomar muestra de colegios, ¿no?
29:19
Speaker A
¿Cuál es mi unidad de muestreo? un colegio. Muy bien. Entonces, la unidad de observación con la unidad de muestreo coinciden, ¿no?
29:34
Speaker A
Selecciono y también voy a medir a ese a esa ese elemento, ¿no? Por eso la unidad de observación es el objeto sobre que finalmente se realiza la medición.
29:49
Speaker A
No siempre es igual. No, siempre es igual. Por ejemplo, si quiero encuestar estudiantes, puedo hacer un una selección directa de estudiantes, ¿no? No hay problema, ¿no?
30:05
Speaker A
Entonces ahí mi unidad de muestreo y mi unidad de observación coinciden, ¿no? Porque es un estudiante.
30:15
Speaker A
Pero quizás yo tengo otro estudio en el cual me interesa medir dos cosas, características de la institución y también características del docente.
30:29
Speaker A
Entonces ahí cambian las cosas, ¿no? Mi unidad de muestreo van a ser colegios, pero mi unidad de observación puede ser también el docente, ¿no? O el estudiante quizás.
30:42
Speaker A
Entonces, no siempre van a coincidir estos dos conceptos. A veces sí, a veces no. No.
30:53
Speaker A
Por ejemplo, cuando encuestan hogares, mi unidad de análisis es un hogar, de muestreo, perdón, un hogar, ¿no?
31:02
Speaker A
Pero al final lo que yo voy a medir también son características de los integrantes del hogar, ¿no? Eso vendría a ser mi unidad de observación.
31:14
Speaker A
Muy bien. Ahora hay otro concepto llamado variables, variables de interés. Cuando ustedes diseñan un instrumento de medición, hay variables que quisieran ustedes conocer, ¿no?
31:30
Speaker A
A eso se conoce como variables de interés. ¿Sobre quién vas a medir? Sobre la unidad de observación. Pues no se dice que es la característica propia de los individuos sobre la que se realiza la referencia, la inferencia, ¿no? Es decir, lo que tú
31:49
Speaker A
quieres medir o qué qué cosas quieres conocer o medir de esa unidad de observación.
31:55
Speaker A
Y efectivamente esa variable te va a servir pues para tomar algunas estimaciones ¿no? Esos muchachos son los elementos del muestreo, ¿no? Son los elementos más usados.
32:12
Speaker A
Muy bien. Hasta ahorita no hemos hablado de los tipos de muestreo, muchachos. Ahora vamos a mencionar un par.
32:30
Speaker A
A ver, el muestreo más interesante se podría decir. A ver, vamos a hablar los tipos de muestreo.
32:47
Speaker A
Existen muchos más, muchachos. Ah, muchos más. Pero estos tres son los más conocidos. El muestreo aleatorio simple, muchachos.
32:59
Speaker A
El muestreo aleatorio simple es algo así ¿no? Imaginemos que estos puntitos son personas. Imaginemos que sean personas, ¿no?
33:25
Speaker A
Muy bien. Para el muestro aleatorio simple, muchachos, cada personita tiene la misma probabilidad de ser elegida en la muestra. Todos tienen la misma importancia, absolutamente todos.
33:39
Speaker A
Lo único malo del muestrado aleatorio es que quizás si yo leeizo la muestra solo me salga esto, solo me salgan esos elementos a pesar que sea aleatorio, ¿no?
33:56
Speaker A
O quizás solamente un pedacito de acá, esto, por ejemplo, quizás no, quizás estoy exagerando, pero es eso. Cada elemento tiene la misma probabilidad de ser elegido.
34:10
Speaker A
El muestro estratificado es mucho más eficiente. ¿Qué hace el muestro estratificado? Dice lo siguiente. ¿Sabes que a todos tus elementos lo voy a a dividir por estratos donde cada estrato es independiente y de cada extrato yo voy a obtener una muestra?
34:36
Speaker A
y mi muestra total va a ser la suma de todas las muestras de cada estrato.
34:41
Speaker A
Eso, ¿qué permite, muchachos? permite tener una muestra más representativa, más realista, ¿no? Se dan cuenta obviamente el muestreo, la probabilidad de selección no es la misma para todos, varía por estrato, ¿no?
35:03
Speaker A
Pero se dan cuenta que el mostrado estatificado es más eficiente porque ya lo ya abarcas a toda la población.
35:11
Speaker A
Es decir, vas a tener una muestra mucho más eficiente, mucho más representativa, ¿no? Pero, ¿cuál es la limitación de estas dos técnicas, muchachos?
35:23
Speaker A
Para usar esto, necesitas un marco muestral en forma de lista. Es decir, necesitas tener identificado a tus elementos, un Excel de los de las de las de los que van a formar parte de la muestra, ¿no? O de donde vas a extraer la muestra
35:46
Speaker A
en forma de listado. Es decir, debes tener una lista de los participantes. En otras palabras, si tengo si voy a muestrar colegios, debo tener un listado de colegios. Si voy a mostrar hospitales, debería tener un listado de hospitales.
36:02
Speaker A
Si voy a muestrar hogares, debería tener un listado de empresas o hogares del cual yo voy a extraer una muestra, ¿no?
36:11
Speaker A
Claro. Si no, ¿cómo estratificarías si no conoces a tu población? Entonces, la única manera de sacar provecho a estos dos tipos de muestreo, muchachos, ya sea elatorio simple o el estratificado, es que tengamos un marco muestral de forma de en forma de lista, ¿no?
36:30
Speaker A
Y eso no siempre se puede tener, muchachos. Para eso existe el muestreo por conglomerado.
36:40
Speaker A
Por ejemplo, la encuesta nacional de hogares, el famoso ENAO o enajo, como lo dicen muchos.
36:47
Speaker A
Su objetivos son los hogares y en el Perú no existe un listado de hogares. No existe.
36:53
Speaker A
No hay tampoco creo que lo tenga algún país porque es muy complicado, ¿no? ¿Por qué es complicado? Porque el concepto de hogar es difícil de entender.
37:04
Speaker A
En una vivienda puede haber tres hogares, cuatro hogares, muchachos. Y ahora con el boom de los departamentos, el crecimiento vertical de la población complica más aún, ¿no?
37:15
Speaker A
Es muy complicado y aparte hay una mucha movilidad inclusive. Luis. Exacto. Ahí va eh respecto a ese va el comentario.
37:26
Speaker A
Eh, el solo hecho de que, por ejemplo, en nuestro país, por ejemplo, aquí en República Dominicana es muy común que las personas hagan invasión de terrenos.
37:38
Speaker A
Cuando hay terrenos que son del estado, que no tienen un dueño específico, una persona, ellos lo que hacen es que van eh cierran el terreno, cogen un pedazo y hacen una vivienda.
37:51
Speaker A
Entonces, eh eh otros se mudan, eh otros simplemente se van fuera del país y la cartografía del de de de una encuesta o de un censo es terriblemente variable y eso eso es muy complicado tú poder tener todo eso
38:10
Speaker A
porque es que la movilidad es muy alta, eh las sociedades son se mueven demasiado y lógicamente aquí hay lugares donde viven tres, cuatro familias, ¿cierto? lo que tú mencionas, cuatro familias en un solo hogar, en una sola vivienda.
38:26
Speaker A
Totalmente acuerdam. Es es un dolor de cabeza. Por eso no se puede tener un listado de hogares, no existe. Es decir, no hay forma de tenerlo identificado a todos. No se puede complicado.
38:38
Speaker A
Tiene un comportamiento demográfico muy especial ese los hogares, ¿no? Ent entonces Luis lo lo las Bueno, aquí se llama eh la ONE, Oficina Nacional de Estadísticam en nuestro país, eh no tiene actualizada la cartografía al al día. Es decir, si
39:02
Speaker A
yo necesito hacer una encuesta o un trabajo de investigación y necesito la cartografía de me dan una cartografía más vieja, más antigua, ¿qué yo hago? Por lo regular, cuando voy a hacer un tipo de investigación que tengo que ir al campo, yo tengo que en
39:17
Speaker A
el presupuesto agregar dos días que voy a ir a conocer el espacio. Por ejemplo, si no es un si es una ciudad, una provincia, un municipio, eh yo voy eh y en mi presupuesto está contemplado combustible y el pago de
39:30
Speaker A
viático de ese día y voy y recorro el espacio, la zona para yo poder conocer y mirar que en mi cartografía dice eh ahí había un hogar, pero no hay nada. o ahí había, no había nadie, ahora hay un
39:42
Speaker A
hogar, o sea, ese tipo de cosas tomarlo en consideración. Totalmente acordo. Sí, es complicado este no solamente en República Dominicana, es en cualquier país de la región el comportamiento es muy parecido.
39:57
Speaker A
Y ahora hay un otro componente muy complicado que son los hogares monoparentales. Es un dolor de cabeza eso, ¿no? Eh, hay variantes de hogares inclusive, ¿no?
40:13
Speaker A
Ya es otro tema, pero es cada vez se hace más complicado. En conclusión, no hay un marco muestral de wares.
40:20
Speaker A
Entonces, el muestrador aleatorio es simple y el muestrador estatificado no te va a ayudar porque de dónde vas a muestrear si no tienes un listado y bueno, el muestreo por conglomerados o de conglomerados, muchachos, trabaja sin tener marco muestral, pero
40:36
Speaker A
es una idea basado en áreas geográficas. A esto la MEC, la MEC te va a interesar bastante.
40:44
Speaker A
Supongamos que todo esto sea el territorio. Vamos a hablar de Perú. Voy a ponerlo como un cuadrado.
40:53
Speaker A
Como mi objetivo es los hogares, por eso se llama Encuesta Nacional de Hogares y yo no sé cuántos hogares hay en el Perú.
41:00
Speaker A
Se dice que hay aproximadamente más de 8 millones de dólares. Aproximadamente es una una cifra gruesa en función al censo, pero por todos los problemas que hay de movilidad es un poco difícil controlarlo ¿no?
41:16
Speaker A
Entonces, ¿qué es lo que hago? Si esto es mi territorio peruano, lo que voy a hacer es segmentar mi territorio peruano en conglomerados.
41:28
Speaker A
Seguramente en muchos países hay las famosas manzanas sensales ¿no? Una manzana es un conjunto que aglomera viviendas.
41:40
Speaker A
Acá nosotros llamamos manzana, ¿no? Una no es la fruta, ¿no? Una manzana sensal es una un área geográfica que aglomera viviendas, algo así como un barrio se podría decir, ¿no?
41:54
Speaker A
Entonces esos conglomerados, el todo el territorio peruano se divide en conglomerados. Cada pedacito es un conglomerado.
42:06
Speaker A
En otras palabras, son manzanas. ¿Qué sucede? Claro, pero hay es mucho más fino la partición en áreas, ¿no?
42:22
Speaker A
Cada manzana obviamente tiene viviendas, ¿no? Viviendas. Muy bien. Yo no tengo un listado de hogares, pero al hacer una partición de mi territorio peruano, yo voy a tener áreas geográficas llamados conglomerados o manzanas sensales que están agrupando viviendas.
42:48
Speaker A
Muy bien. Hasta ahí como que yo lo puedo controlar ¿no? ¿Qué pasa? Ahora voy a seleccionar aleatoriamente un grupo de conglomerados.
43:03
Speaker A
Supongamos que él ha sido seleccionado. Supongamos ha sido él seleccionado, él ha sido seleccionado, él ha sido seleccionado y así, ¿no?
43:13
Speaker A
Ahora lo que me toca es que dentro de los seleccionados voy a seleccionar un grupo de viviendas bajo muestreo.
43:23
Speaker A
Generalmente es un muestreo aleatorio, ¿no? Y dentro de las viviendas puedo ya identificarlo al hogar, ¿no?
43:35
Speaker A
Naturalmente dentro del hogar, dentro de una vivienda puede haber muchos hogares. También tengo que hacer un muestreo de hogares ¿no?
43:44
Speaker A
La idea es garantizar la aleatoriedad en cada una de esas tres etapas. ¿Qué he logrado con esta estrategia?
43:54
Speaker A
llegar al hogar sin conocer un marco muestral de hogares. Luis, sí, estamos de acuerdo, estamos totalmente de acuerdo hasta ahí.
44:08
Speaker A
Pero pregunto, en esa selección que tú acabas de hacer, ¿tú seleccionaste cada estrato, cada conglomerado de manera aleatoria?
44:18
Speaker A
Cada conglomerado es un área geográfica. Digamos que yo quiero hacerlo en mi país, en mi país una provincia que es un espacio geográfico. Se dividen en municipios que son otros espacios geográficos un poco más pequeños dentro de esa provincia.
44:33
Speaker A
Vamos a suponer que yo tenga 1 2 3 4 1 2 3 12 como está ahí 12 municipios en una provincia. Selecciono cuatro al azar y eligieron esos cuatro que tú tienes ahí que son los conglomerados que tú
44:44
Speaker A
seleccionaste en Perú. Pero yo tengo la columna del centro que no tiene ninguno representado. ¿Qué relación hay entre los entre los entre un conglomerado y otro?
44:54
Speaker A
Ah, ya. Esto de acá lo he explicado a groso modo, ¿no? Cuando ya tienes eh los famosos acá llamamos departamentos a las regiones geográficas más grandes, este proceso se hace a niveles específicos de tal manera que te garanticen precisión. Hay que tener
45:10
Speaker A
cuidado esa parte. Ya el concepto de conglomerado es totalmente diferente al concepto de estratificado.
45:20
Speaker A
El estratificado quiere decir que los elementos dentro de cada estrato son homogéneos. Por eso es un estrato, ¿no?
45:30
Speaker A
En un conglomerado el concepto es diferente. Los elementos internos son heterogéneos, pero entre conglomerados son parecidos o son similares.
45:42
Speaker A
Por ejemplo, un bloque, una manzana sensal tienen diferentes viviendas, ¿no? Y cada vivienda es totalmente diferente.
45:54
Speaker A
Pero, ¿qué en común tienen los conglomerados? Que ambos son zonas geográficas conformadas por viviendas y hogares ¿no?
46:02
Speaker A
Esa es la característica propia de un conglomerado. Cuando yo entro a cada vivienda, entonces, bueno, cuando entro a cada conglomerado, entonces las viviendas son distintas. Lógicamente puede ser una vivienda que tenga papá y mamá, otra nada más tiene papá, otra nada más tiene
46:16
Speaker A
mamá, otra vive en los hijos. Ya ya. Eso es lo diferente con el estratificado. El estratificado, dentro del estrato todos son similares, homogéneos, por eso se llama estrato, ¿no?
46:27
Speaker A
Mm. Por ejemplo, los hogares del extrato A son hogares en de las mejores condiciones ¿no?
46:34
Speaker A
Estrato B, C, D y E, ¿no? Así. Entonces, esas características lo hace muy eficiente a la hora de hacer muestreos de este tipo, ¿no?
46:44
Speaker A
Claro, lo que la MEC comenta es interesante, ¿por qué acá no hay un estrato seleccionado? Este es un ejemplo nada más, ¿no? En la vida real eh las divisiones se hacen mucho más pequeñas y el barrillo lo hacen en
46:55
Speaker A
cuentan historia en zigzag, ¿no? Algo así. La idea es que esté representada, ¿no? A esto le dicen selección sistemática.
47:05
Speaker A
Hay un salto secuencial. de tal manera que se pueda arasar de de extremo a extremo, obviamente garantizando siempre aleatoriedad en cada uno de los pasos, ¿no?
47:15
Speaker A
La selección de los estratos se hace de manera sistemática. Sí. O de los hogares en los estratos.
47:22
Speaker A
No, en sí los conglomerados, porque en los hogares ya es como es poco ya se puede autorizar, ¿no?
47:29
Speaker A
Okay. Sí, pero si quieres ser bien fino, puedes aplicar sistemático a todo nivel, no hay problema.
47:37
Speaker A
Es decir, todo esto del muestreo, muchachos. Sí, sí, pero que el muestreo sistemático tiene sus deficiencias también.
47:46
Speaker A
Claro, hay grupos que quedan o sobre, bueno, hay grupos que quedan sin representación. Totalmente de acuerdo.
47:53
Speaker A
Podría ser. Sí. Por eso algunos eh mezclan diferentes diseños, ¿no? La primera etapa hacen un muestreo sistemático y conlomerados.
48:03
Speaker A
La segunda etapa ha sido un muestro aleatorio simple, pero otros son mucho más específicos.
48:09
Speaker A
Dentro del conglomerado seleccionado hacen estratificación y seleccionan muestra en cada estrato. Es decir, la herramienta está si tú quieres precisión puedes combinar tipos de muestre.
48:28
Speaker A
Eso es. Pero la herramienta está y tú hay, bueno, hay que usarlo pues como uno de mejor dicho de manera más conveniente ¿no?
48:41
Speaker A
Estos son los muestreos más conocidos, muchachos. Existe otro muestreo llamado muestreo proporcional al tamaño, ¿no?
48:52
Speaker A
El famoso muestreo PPT que dicen, ¿no? Seguramente en algún momento lo han escuchado. Existe también esto.
49:00
Speaker A
Aquí se menciona mucho ese mismo, pero se le llama muestrado por afijación proporcional. No, no, eso es otra cosa.
49:08
Speaker A
Es otra cosa. Sí. dentro del muestro estratificado, la fijación proporcional es, supongamos, ¿no? Si tengo mi mi tamaño muestral del estrato y quiero una muestra del estrato, entonces si quiero obtener una muestra, lo puedes extraer proporcional, ¿no? Proporcional
49:36
Speaker A
al tamaño del estrato poblacional, ¿no? Eso quiere decir la fijación proporcional es, en otras palabras, yo puedo calcular el tamaño de muestra por estrato de manera proporcional al al total de elementos que tiene mi estrato poblacional, ¿no? A
49:55
Speaker A
eso se refiere. También existe la fijación de Neyman y un montón de cosas, pero el muestro PPT tiene que ver con un insumo más, ¿no? ¿Qué pasaría si tú conoces la cantidad de habitantes eh de cada manzana, la cantidad de población?
50:20
Speaker A
Entonces, el muestreo PPT prioriza aquellas manzanas con mayor población, le da más importancia. Porque en su lógica entiende que a mayor cantidad de población más información.
50:35
Speaker A
Entonces ellos van a tener mayor chance de ser seleccionados y las que tienen poca población van a tener menos chance de ser seleccionadas.
50:44
Speaker A
Es una idea interesante, ¿no? El problema es lo siguiente, ¿no? Si no tenemos pues un listado de hogares, peor pues un listado de población de manzana, ¿no? Es un poco complicado, ¿no?
50:55
Speaker A
Pero si se tuviera sí se podría optar por una estrategia de ese tipo, ¿no?
51:02
Speaker A
Yo les voy a compartir un libro netamente de muestreo estadístico, muchachos, entre estos días, en el cual pueden ustedes explorar más técnicas de muestreo ¿no?
51:13
Speaker A
Pero esta es la esencia, Miguel, no te preocupes, no hay problema. La clase igual está grabada.
51:21
Speaker A
Eso es, muchacho. Al final la idea de muestreros, muchachos, es combinar estrategias, ¿no? Eso es. No existe una sola manera de hacer muestreo. Puedes combinar.
51:38
Speaker A
Oye muchachos. El muestrado aleatorio simple, ya les comenté, consiste en elegir n unidades muestrales de la población donde cada unidad muestral tiene la misma probabilidad de ser seleccionada.
52:01
Speaker A
Es decir, en el muestro aleatorio simple, muchachos, cualquier elemento de la población tiene la misma probabilidad de ser elegida.
52:09
Speaker A
Eso es una de las características importantes del muestro aleatorio simple. Ojo, cuando se habla de este tipo muestro es sin reposición. Ah, tú no puedes devolver el elemento seleccionado.
52:24
Speaker A
Hay un grupo de autores que sí devuelve, ¿no? Pero eso en la vida real no tiene sentido muchachos.
52:32
Speaker A
¿De qué sirve pues seleccionar dos veces el mismo elemento? No tiene sentido. Bueno, sin reposición implica dejar elemento fuera, lo que significa entonces que la no tiene la misma probabilidad de ser seleccionado.
52:49
Speaker A
[risas] Ya la del siguiente se va se va a alterar. Efectivamente, ahí vendría ahí viene la pregunta del millón, ¿no?
53:00
Speaker A
Ahí viene la pregunta. con reposición si garantiza pues eh que todos tienen la misma probeza seleccionada, ¿no?
53:08
Speaker A
Eso lo han creado con un fin más teórico, ¿no? Pero la vida real no tiene sentido. Pues ustedes quisieran en tu muestra que una persona se repita dos veces, tres veces, ¿no? No.
53:26
Speaker A
Entonces, eso es por eso algunos textos solamente hablan así a secas, ¿no? No no mencionan para nada esto de acá, pero en sí lo que se usa en la realidad es sin reposición, ¿no?
53:44
Speaker A
Muy bien. Eh, ¿qué más les había comentado? Tanto el muestroo aleatorio simple como el muestrado estatificado, muchachos, solo se van a poder usar si es que tú tienes un marco muestral.
53:57
Speaker A
conocido ¿no? Un marco muestral conocido. Si no, no vas a poder de dónde seleccionar.
54:07
Speaker A
complicado ¿no? El muestrar el toro simple, muchachos, es muy muy bueno, es útil, algo así, ¿no? Tengo mi población y cada elemento van a ser seleccionados aleatoriamente ¿no?
54:25
Speaker A
Y ustedes dirán, justo la MEC va a observar seguramente esta parte, ¿por qué acá no hay una muestra? No, ya eso es una de las limitaciones del muestro aleatorio. Simple, ¿no?
54:36
Speaker A
Quizás la aleatoriad puede que se incline más hacia un lado, ¿no? Puede, ¿no? Entonces, acá es donde se puede mezclar más estrategias, ¿no?
54:46
Speaker A
Quizás la MEC dice, "Yo lo puedo dividir en cuatro grupos y acá tomo una muestra y acá y acá de tal manera que haya representatividad ¿no?
54:56
Speaker A
Ya, eso es estrategia, ¿no? se conforma con el aleatorio simple, ¿no? Trata de aprovechar los otros conceptos que existen, ¿no?
55:06
Speaker A
Por eso existe pues la reacción logística. Perdón, estoy mezclando los temas. Eh, el muestrado estratificado, ¿no?
55:17
Speaker A
Muy bien. Acá no hablo del mostrado esttificado, pero ya saben la idea, ¿no? Partir en estratos. Obviamente cada estrato es o agrupa elementos homogéneos y el objetivo es pues calcular muestras de acá, ¿no? Cuatro muestras y la muestra total será la suma de cada
55:39
Speaker A
tamaño de muestra de cada estrato, ¿no? Entonces lo hace mucho más eficiente. ¿Cómo se calcula una muestra? No, hasta ahorita hemos hablado de los tipos de muestreo y todo eso, ¿no?
55:59
Speaker A
Obviamente necesitamos conocer el tamaño de la población, ¿no? Vamos a hablar del margen de error.
56:09
Speaker A
Acá muchos se confunden, piensan que el margen de error es el alfa, ¿no? Es un dolor de cabeza eso.
56:17
Speaker A
Son cosas totalmente diferentes. Recuerdan que el alfa es la probabilidad de cometer el error de tipo uno, ¿no?
56:23
Speaker A
Que es el nivel de significancia, ¿no? Pero el margen de error es el error que vas a cometer tú por haber tomado una muestra, ¿no? Claro, si tienes toda la población y has tomado una muestra, por haber tomado una parte de un todo
56:42
Speaker A
vas a tener un error, ¿no? es inevitable, es un error propio del muestreo, pero la idea es que ese error sea pequeño. Pues muy bien.
56:56
Speaker A
La la confusión es que quizás se escribe con alfa también y por eso no no se escribe el margen de error. No se escribe con alfa. Generalmente el margen de error es con e con e minúscula mayúscula o
57:07
Speaker A
minúscula. Entonces, el alfa es una probabilidad, ¿no? Ya ya ya. Sí. Ahí he tenido varios debates ahí con muchos estudiantes y pensaban que era lo mismo. No, no es no es así. No, claro, ambos se fijan el inicio
57:24
Speaker A
creo yo creía que era lo mismo hasta ahora. No, no son cosas diferentes. Son cosas totalmente diferentes. El alfa es una probabilidad. la probabilidad de cometer el error de tipo uno, ¿no? Eh, que es una más conocido como el nivel de
57:40
Speaker A
significancia y que se usa para qué, para inferencia. Toma decisiones, ¿recuerdan? Ah, si el p valor es menor de alfa, se rechaza la hipótesis nula, ¿no?
57:51
Speaker A
Ya. El margen de ambos son insumos para la muestra, ¿sí? Pero el margen de error se denota por e mayúscula o minúscula.
58:00
Speaker A
Eh, es un porcentaje, no necesariamente, ¿no? También puede ser valor. Si vas a estimar porcentaje, sí va a ser un porcentaje. Si vas a estimar absolutos, también el error va a ser absoluto, pero lo que más se estima son
58:13
Speaker A
porcentajes. Se dice que es un porcentaje que te indica qué tan cercanos están los resultados respecto a los valores poblacionales, ¿no?
58:26
Speaker A
Es decir, si tu proporción poblacional es, no sé, 35%, quiere decir que tu estimación basado en la muestra debe estar muy próximo a ello ¿no?
58:43
Speaker A
La idea que este margen de error sea pues pequeño, ¿no? Supongamos más menos 1% ¿no?
58:53
Speaker A
A eso se refiere el margen de error. la diferencia con el valor real y teórico y el estimado sea pequeño, ¿no? Eso es el famoso margen de error.
59:03
Speaker A
No tiene nada que ver con alfa. Muy bien. Otro insumo para calcular el tamaño de muestra es el famoso nivel de confianza. también lo hemos visto, ¿no?
59:16
Speaker A
El famoso 95% de confianza, ¿no? Que obviamente si tienes el alfa ya conoce el nivel de confianza, ¿no?
59:25
Speaker A
Entonces son conceptos totalmente diferentes. Ya. Y seguramente ustedes ya han visto estas fórmulas en algún momento, ¿no?
59:39
Speaker A
Eh Luis miren. Ah, sí. Adelante. Necesito que mezclar salvo. Entonces, eso significa que mi imagen de error está no es complemento de mi confianza, ¿no?
59:54
Speaker A
O sea, yo puedo tener perfectamente un 95 de de% de confianza con un 10% de rol.
60:01
Speaker A
Sí, son cosas diferentes. Estos dos conceptos son totalmente diferentes. Igual el nivel de confianza. Si tú conoces el nivel de confianza por default conoces el alfa, ¿no? Que es 5%.
60:16
Speaker A
Sí, que no es sirve el alfa. Por esa razón es que no es que no no es el complemento.
60:23
Speaker A
No es el complemento. El nivel de significancia con el nivel de confianza. Sí, no hay complemento.
60:29
Speaker A
Eso sí, eso queda claro. Sí, ahí sí. Ya, pero el margen de error, muchachos, lo que pasa que la mayoría de personas, bueno, al menos aquí en República Dominicana, la mayoría de personas que trabajan estadísticas siempre toman el
60:44
Speaker A
5% de error porque la confianza 95. Sí, pero eso es un grave error. Pero no, no, ahora estoy mirando que sí, yo he tenido siempre mis dudas, pero ahora que la aclaro realmente lo vamos a ver en las aplicaciones con
60:59
Speaker A
R, no se preocupen. Tanto nivel de confianza y nivel de significancia se usa para hacer inferencias, muchachos. Eso es utilidad.
61:09
Speaker A
El margen de error está más relacionado con la precisión de la estimación usando tu muestra, ¿no?
61:19
Speaker A
Claro, si vas a estimar proporciones, porcentaje de pobreza, porcentaje de anemia, el valor más usado es más menos 5% efectivamente.
61:31
Speaker A
Y ahí viene la confusión, ¿no? Ah, es el complemento, el nivel de confianza. No, no, no es así. Coincide. Pero no es así.
61:41
Speaker A
El nivel de confianza es una el nivel de confianza, el nivel de insignificancia es una probabilidad y es muy usado para inferencias. El margen de error tú fijas simplemente para calcular tu tamaño de muestra nada más y ahí se acaba. No tiene mayor
61:58
Speaker A
utilidad, no hay más utilidad. Ahí muere su función. El margen de error es simplemente diciendo, yo me voy a equivocar en un 5% de los casos. Punto.
62:09
Speaker A
Sí, más menos cinco para arriba o para abajo y ya más nada. Si fueran datos, si fueran datos absolutos, yo diría, me voy a equivocar, vamos a suponer que yo estoy analizando en veterinaria eh una enfermedad en animales. Me voy a
62:21
Speaker A
equivocar en dos perros hacia arriba y más menos dos perros y ya se acabó. Perfecto.
62:28
Speaker A
Date cuenta, si tú estimas valores absolutos, el más menos dos peros no es 5%, no es alfa, no es el complemento para nada.
62:38
Speaker A
¿Se dan cuenta? Entonces, margen de error, ambos lo fija el investigador. Sí, es verdad, pero el nivel de significancia sirve para inferencias y el margen error solo sirve para calcular el tamaño de muestra y ahí cumple su función, se acaba. Ya no
62:56
Speaker A
lo vuelves a usar más. En otras palabras, si tu margen de error es grande, tu muestra va a ser pequeña. Si tu margen de error es pequeño, tu muestra va a ser grande. Hay una relación inversa, ¿no?
63:12
Speaker A
Eso es lo que eso es lo que uno hace cuando va cuando quiere bajar el presupuesto.
63:17
Speaker A
Exacto. Juegas con el margen de error, no juegas con el alfa. El alfa no te va a impactar en nada. el único impacto del alfa es en la inferencia nada más.
63:29
Speaker A
Entonces son conceptos totalmente diferentes y efectivamente me ha costado mucho hacer entender a mis estudiantes también ¿no?
63:38
Speaker A
Pero normal, es parte del proceso, como se dice, ¿no? Muy bien. Ahora vamos a ver las famosas formulitas ¿no?
63:52
Speaker A
¿De dónde salen esas formulitas? De los famosos intervalos de confianza. No, no hemos visto ese tema. No, sí hemos visto, pero brevemente.
64:02
Speaker A
Por ejemplo, un intervalo de confianza, muchachos, para la media es algo así, ¿no? La media muestral menos z 1 men alfa medio sigma cuadrado entre sigma entre raíz de n ¿no?
64:26
Speaker A
Y así también. Acá les voy a explicar el concepto de margen de error. El margen de error, muchachos, supongamos que yo quiero estimar teta un parámetro. Su estimador es este, un teta con gorrito, pero su intervalo de confianza de ese teta puede ser, ¿no?
64:53
Speaker A
Un intervalo de confianza para teta puede ser tu estimación puntual. menos un margen de error y tu estimación puntual más un margen de error ¿no?
65:09
Speaker A
Y si se fijan este interfianza, muchachos miren acá está tu estimación puntual y acá está tu margen de error, ¿no?
65:27
Speaker A
Entonces, eso es el famoso margen de error, ¿no? Y cómo se obtiene esa muestrita. Simplemente este margen de error lo igualas a lo siguiente, ¿no?
65:36
Speaker A
Z sigma raíz de N, ¿no? Si ustedes despejan n sería Z sigma cuadrado e cuadrado, ¿no?
65:50
Speaker A
Y acá está. Esa está acá, ¿no? Entonces, esas fórmulas que nosotros cuando vemos en los libros sí tiene una un sustento, ¿no? No es que se le hayan inventado o algo así, ¿no? Por eso claramente pongo acá, ¿no? Tamaño de
66:10
Speaker A
muestra para una media. Entonces, estas son las fórmulas conocidas, pero esta muestra o este intervalo de confianza se usa cuando yo no conozco a la población, ¿no? O es una población demasiado grande, ¿no?
66:29
Speaker A
Infinita le dice. No, si es que conozco n se le agrega un factor de corrección. Acá creo que es algo así el factor de correción.
66:40
Speaker A
Esa forma no se conoce la varianza. Se conoce la varianza. Exacto. Si no se conoce, ya entra otra distribución, en este caso la distribución T, ¿no?
66:53
Speaker A
Pero también existe un inter de confianza para ese escenario donde no se conoce ¿no?
66:59
Speaker A
Pero la idea es la misma y de ahí resultan estas dos formulitas, ¿no? Por ejemplo, acá está el margen de error. Miren, dentro del Z²ad está el alfa, ¿no?
67:15
Speaker A
Entonces, son cosas totalmente diferentes, muchachos. ¿Cuál se usa más? Esto de acá, ¿no? Esta es la fórmula más usada.
67:25
Speaker A
Entonces, está el tamaño de muestra, nivel de confianza. El Z no es el nivel de confianza, ¿no? El Z es el cuantil, ¿no?
67:33
Speaker A
Pero así lo lo mal interpreta, ¿no? Pero ya se entiende qué es eso, el margen de error, la varianza y el tamaño poblacional.
67:43
Speaker A
Entonces con eso, si conoces esos insumos, puedes conocer el tamaño de muestra ¿no? Estos generalmente esta formulita de acá se usan en los libros para los ejercicios de los libros, ¿no? Más más didácticos ¿no?
68:02
Speaker A
Para proporciones, que es el más usado, por cierto, es de la siguiente manera. Esto es para proporciones igual, miren, margen de error, cuantil.
68:25
Speaker A
Ahí está, ¿no? Ahí está, muchachos. Esa es la la famosa formulita. Esta es la que más se usa, ¿no? En los libros y también en investigaciones.
68:37
Speaker A
¿Por qué? Porque generalmente esta formulita te genera más muestra que usando la formulita para la media.
68:44
Speaker A
Si tienes más muestra y te sirve para proporciones y peor aún para la media, entonces te quedas con esta anotación, ¿no? Porque te garantiza muestra para ambos casos.
68:56
Speaker A
Entonces, por eso es el más usado, ¿no? El P y Q, el famoso P en proporciones, no siempre lo vas a conocer, ¿no?
69:07
Speaker A
El famoso probabilidad de éxito, ¿no? Si tienes investigaciones anteriores o estudios similares, puedes usar un valor conocido, ¿no? O de estudios previos.
69:22
Speaker A
Pero el problema es que no siempre vas a conocer o no siempre vas a tener antecedentes, ¿no?
69:30
Speaker A
¿Cómo se obtiene ese P? También lo puedes obtener con la prueba piloto. Una prueba piloto es un buen insumo para obtener ese valor de P. Un P mucho más real a lo que vas a fijar, ¿no?
69:45
Speaker A
O teóricamente puedes elegir un P igual a 0.5. Y este valor maximiza el tamaño de la muestra.
69:59
Speaker A
Por eso usando derivadas se demuestra eso, ¿no? Muy bien. Eso es la famosa formulita y esto lo vamos a automatizar en el R, muchachas.
70:21
Speaker A
Esta formulita lo vamos llevar al R que queremos para obtener nuestro tamaño de muestra, ¿no?
70:33
Speaker A
Y ahí vamos a explicar cada uno de esos elementos nuevamente, no se preocupen. Ahí está para la proporción cuando tengo poblaciones infinitas, ¿no?
70:44
Speaker A
No se usa comúnmente esto. Lo que más se usa es esto, ¿no? Muy bien, Luis.
70:52
Speaker A
Ahora sí, muchachos, abran su R. Luis, adelante Lamec. Si la población es pequeña, menos de 500 individuos, bueno, esa fórmula que presentaste ahí, la esa anterior, la otra, la que sigue.
71:10
Speaker A
Ah esta. Esa fórmula. Bueno, algunos autores le llaman algunos autores le llaman eh la fórmula de de Cucran.
71:24
Speaker A
Ya. Y esa fórmula me permite dar para poblaciones, me permite hacer el cálculo para poblaciones para poblaciones eh muy grandes.
71:37
Speaker A
Sí, pero cuando o bueno, virtualmente infinitas. muy grande. El caso es que después de eso se hace un refinamiento, entonces caerían en la otra fórmula que yo me he dado cuenta que aunque es lo mismo porque haciendo la sustitución se
71:56
Speaker A
puede tener la otra fórmula que le llaman de fisher navarro, pero resulta interesante que en los artículos, por ejemplo, de revistas Q1, Q2, utilizan la fórmula de Cucran por separado.
72:11
Speaker A
Yo no sé por qué, porque finalmente da el mismo resultado. En [risas] esencia la misma cosa, pero en revista de alto de muy alto impacto vemos que la utilizan las fórmulas por separado y especifican con mucha precisión que la
72:24
Speaker A
fórmula utilizada para el tamaño de la muestra es la fórmula de Cucran y su refinamiento para poblaciones menores que 500.
72:32
Speaker A
Sí, la verdad no es necesario como yo te apoyo la no. Yo no lo veo necesario, literalmente. No, yo tampoco lo veo necesario. Yo con esta fórmula estoy satisfecho.
72:45
Speaker A
Es más, eh, los INIS también no usan esa versión que comentas. ¿Por qué? Porque al final los resultados son similares, ¿no? O iguales.
72:54
Speaker A
Sí, no, no, literalmente iguales. Inclusive yo hasta me busqué el libro de Cucran, el libro de muestreo de Cucran de 77, 80, qué són. Y cuando lo reviso, efectivamente tiene la fórmula, pero al final cuando hago la sustitución obtengo
73:06
Speaker A
esta fórmula. Pero bueno, efectivamente, totalmente de acuerdo. Es más, el INI, muchos, al menos el Perú, usa esta fórmula acá.
73:33
Speaker A
Pero, ¿qué le agregan? A ver, algo que le pueden agregar a esta fórmula, a esa que está en pantalla, a esta fórmula, ¿qué le agregarían ustedes?
73:49
Speaker A
Bueno, si yo conozco las proporciones, uso proporciones diferentes que no sean las las que maximizan el tamaño de la muestra.
73:58
Speaker A
Mm. El nivel de confianza. El nivel de confianza, ¿no? Sí, el nivel de confianza eh manejado y el error que ahora veo que no tiene que ser necesariamente el complemento de la confianza.
74:14
Speaker A
Esa bedal ha resultado con tamaños para poblaciones pequeñas o poblaciones muy grandes. Me da las dos cosas.
74:29
Speaker A
Exacto. Pero hay algo que el INI acá en Perú y muchos países, el Chile también he visto que le agregan la tasa de no respuesta.
74:40
Speaker A
¿Por qué? Porque imagínate que tú has obtenido una muestra de 500, supongamos, ¿no? Vas a campo y regresa solamente eh 420.
74:53
Speaker A
Supuestamente estos 500 te garantizaban tener un margen de error de más menos 2% supongamos.
75:01
Speaker A
Esta muestra acá no va a garantizar ese margen de error, no siempre va a haber rechazos, un montón de cosas, ¿no? Quizás algunos temas eh logísticos, climáticos, un montón de cosas que a veces no se puede controlar ¿no?
75:21
Speaker A
Lo que recomienda el IN es agregar una sobremuestra, es decir, si tu fórmula mágica te sacó 500, agregándole una sobremuestra que te salga pues 540, ¿no?
75:35
Speaker A
Para que cuando vayas a campo la pérdida muestral sea menor. No sé, ponle pues 505, no sé, algo por ahí.
75:44
Speaker A
Con esto sigues garantizando lo que un inicio tú querías, ¿no? Yo he yo he leído y me me confirma si lo que he leído es lo que tú estás comentando. A ver, a ver, eh hay algo que he leído por ahí en
75:58
Speaker A
algún texto, no recuerdo en cuál, pero lo leí, en algo que se llama factor de expansión.
76:03
Speaker A
Sí. ¿Qué qué es precisamente para eso? Eh, uno entre el factor y el factor sería sumarle el 10%, el 5%, depende de de de la experiencia, de lo que se conozca, de investigaciones anteriores.
76:19
Speaker A
Ajá. Para aumentar la muestra y decir, entonces, eh, mira, yo en vez de 500, voy a 540 y eso me va a garantizar que lo que si yo dije que iba a tener un 2% de error, se me quede con
76:31
Speaker A
un 2%. Eh, puede ser por por la no respuesta o puede ser simplemente porque el encuestador se equivocó y la llenó mal y hay que eliminar ese registro, pero garantizar el error que tú estás diciendo.
76:44
Speaker A
Sí, eso es un paso final. El factor expansión se corrige una vez ya recogido la información.
76:52
Speaker A
¿Por qué? Porque tú ya con el factor calibras tus estimaciones, ¿no? Eso es posterior. Ya recuerda que acá recién estamos en tamaño de muestra.
77:03
Speaker A
El factor expansión efectivamente es ese factor que te va a permitir hacer inferencias a nivel poblacional y ahí también se puede calibrar, como se dice, ¿no? Pero eso ya es una etapa final.
77:17
Speaker A
Vamos a tener que hacer un curso de de mostreo definitivamente. Sí. Eh, vamos a ver un poquito hoy día en para estimar la pobreza de los factores de expansión.
77:25
Speaker A
Entonces, la sobremuestra es eso, ¿no? Si tú no agregas sobremuestra y pierdes mucho, como dice la MEC, ¿no?, con el factor expansión, tendría que controlar ello. Pero la idea no es cargarlo todo a este concepto.
77:39
Speaker A
La idea es solapar esa pérdida muestral en el proceso de tal manera que tus factores de expansión no sean pues los encargados de solucionar todos los problemas de las etapas anteriores.
77:55
Speaker A
Esa es la idea. Entonces, el INI de acá de de Perú y muchos países lo que agrega es el famoso tasa de no respuesta.
78:06
Speaker A
Pero muchos piensan que es así, ¿no? Si me muestra es 100 y la tasa no respuesta que estoy fijando es 10%, ¿qué dice la gente?
78:18
Speaker A
Ah, entonces la sobremuestra es 110. Eso dice el sentido común, ¿no? Esa tasa la fija el investigador.
78:29
Speaker A
Sí, lo fija el investigador si no tiene datos o usas la prueba piloto, muchachos.
78:36
Speaker A
Ah perfecto. Otra importancia la prueba piloto. ¿Se dan cuenta? ¿Qué es mejor de tu que tu prueba piloto? Si has recogido una buena cantidad de casos, te va a dar una idea, ¿no? Mucho más realista, mucho más sustentada.
78:52
Speaker A
Si alguna vez te quieren observar y de dónde has acabado ese valor, la prueba piloto ¿no?
78:58
Speaker A
Entonces, la prueba piloto, muchachos, sirve para muchas cosas, no solamente para ver la o en este caso poner a prueba el instrumento de medición, ¿no?
79:08
Speaker A
Esto no funciona así, muchachos. Ah, no vayan a pensar que es así. Lo que se tiene que hacer es lo siguiente.
79:17
Speaker A
Ese tasa de no respuesta entra de la siguiente manera. Así tiene que entrar. Tiene ese comportamiento.
79:38
Speaker A
Entonces el INI, muchos muchos INIs usan esta expresión que es más realista. más que se que se adapta a la realidad, ¿no?
79:47
Speaker A
Y eso vamos a implementarlo en el R, no se preocupen. Y vamos a ver el impacto de cambiar este valor y también de cambiar este valor. Claro, el margen de error es al que al final define el tamaño de muestra, ¿no?
80:03
Speaker A
Muy bien, muchachos. Abran su R. Ahí vamos a ver más cosas. la 3 13.1, que es funciones para determinar los tamaños de muestra, ¿no?
80:19
Speaker A
Ya lo que vamos a hacer, muchachos, es lo siguiente. Miren, esta formulita lo vamos a pasar al R, así como está, al R.
80:32
Speaker A
Ahí está. Agrandado un poquito para que puedan ver. Y acá les pongo la fórmula. Miren, es lo mismo. Ah, miren. Ah, y acá le agrego la tasa de no respuesta.
80:43
Speaker A
Y acá todo lo que significa cada uno de ellos ¿no? ¿Cómo se crea esta formulita? En R existe un concepto llamado función que te permite crear funciones que te automatizan cualquier cálculo.
81:01
Speaker A
Muchachos, lo único que tienes que hacer es crear un nombre de la función. Yo le puse n size si prop. Ustedes pueden poner cualquier nombre que desean, muchachos.
81:15
Speaker A
Function es la palabra reservada para crear funciones y dentro del paréntesis va a ir los insumos que tú vas a usar para calcular el tamaño de muestra. Tamaño de población, margen de error, proporción de éxito, nivel de significancia y tasa
81:32
Speaker A
de no respuesta. Dentro del cuerpo de la función que va entre llaves va el cálculo que se tiene que realizar.
81:43
Speaker A
¿Y cuál es ese cálculo? Toda esta operación que existe acá, ¿no? Acá tengo el alfa, acá tengo el numerador, el denominador.
81:54
Speaker A
Entonces, la muestra va a ser el redondeo por exceso de toda esta expresión, ¿no? De todo esto por la tasa no respuesta, es decir, por esto.
82:08
Speaker A
Y con eso ya tengo mi función automatizada. Ahí está. Ahora, ¿qué es lo que tengo que hacer?
82:16
Speaker A
Llamar a la función que acabo de crear y dar valores a cada uno de esos argumentos que he fijado.
82:24
Speaker A
Población 580, margen de error 5%, probable de éxito 0.5, alfa 0.5% o 5% y tasa no respuesta cero.
82:35
Speaker A
Si yo ejecuto eso automáticamente me dice 232. ¿Qué pasaría? Voy a poner otro, voy a copiar esto.
82:50
Speaker A
Si acá le pongo 10% de tasa no respuesta. 0.10, ¿cuánto crecerá? Miren el efecto de agregar tasa no respuesta, muchachos. ¿Se dan cuenta?
83:18
Speaker A
Perdón, desde el punto de vista práctico, eh una muestra mayor tiene mayor precisión, ¿no? La respuesta esperada.
83:27
Speaker A
Exacto. Exacto. Pero la función de la tasa no respuesta es evitar pérdida muestral. Eso es su función.
83:39
Speaker A
Claro, si yo mando 232 y me regresa solamente 200, ya he perdido 32 elementos. Es decir, si yo había fijado un margen de error del 5% asumiendo que iba a llegar a este monto, ¿no?
83:58
Speaker A
Entonces, para evitar pérdidas muestrales o que sea demasiado la pérdida muestral, yo agrego una tasa no respuesta de tal manera que ya sea 258.
84:09
Speaker A
¿Qué pasa si mando 258 a campo? Pero simplemente vienen 230 30, por ejemplo, la pérdida muestral ha sido menor comparado al teórico que yo había establecido ¿no?
84:27
Speaker A
Y eso cosita que falta, ya entran los famosos factores de expansión. Es decir, no voy a sacrificar, pues, o no le voy a dar toda la responsabilidad a los pesos para que solucionen mi problema, ¿no?
84:39
Speaker A
Cuando en el proceso yo yo puedo solapar esa ese problema, ¿no? O yo lo puedo controlar, en otras palabras.
84:50
Speaker A
Eso es la idea del marco, del tasa de no respuesta muchachos. Muy bien. Ahora quiero ver lo siguiente.
84:58
Speaker A
Voy a borrar, le voy a poner cer no hay problema. y voy a jugar con el margen de error.
85:04
Speaker A
¿Qué pasa si pongo 1%? Miren, con 5% 232. Si pongo margen de error más pequeño, es decir, una muestra más precisa, el costo es mayor tamaño de muestra.
85:25
Speaker A
¿Se dan cuenta? Es decir, esta formulita que está acá todo fea que ustedes ven, muchachos, ya ha sido automatizada con esta función.
85:36
Speaker A
Ya tienen, ustedes han creado su propia función y así lo pueden adaptar, ¿no? Y así quizás no te convence, esto lo voy a borrar, no hay problema.
85:50
Speaker A
No te convencen, puedo poner 2% de margen de error. El alfa no se toca.
85:57
Speaker A
Muchachos, para nada. Si tú fijas 5% ahí queda, no tienes por qué tocar. Lo único que si quieres variar los tamaños de muestra, puedes jugar con el margen de error y con la tasa no respuesta ¿no?
86:12
Speaker A
Con 2%. Miren el tamaño de muestra. Entonces, eso es hacer o mejor dicho es la manera correcta de calcular tamaños de muestra, ¿no? Ya no tenemos que usar pues en el Excel de esas cosas, ¿no?
86:28
Speaker A
Ahora puro R, muchachos, ahí tienen su función ustedes y cualquiera lo puede replicar. Eso es lo más interesante, ¿no?
86:42
Speaker A
Acá hay un ejercicio de que eso encuentra en los libros. cualquier libro de estadística, de muestreo, hablan de de calcular los tamaños de muestra, ¿no?
86:52
Speaker A
Miren, dice, "La facultad de matemática de la universidad cuenta con 100 alumnos." Eso es la población, ¿no?
87:01
Speaker A
Y está interesada en realizar una encuesta con el fin de determinar, entre otras cosas, el número de sus alumnos que tienen una PC en su casa, es decir, quieren saber cuántos de sus alumnos tienen computadora en su casa, ¿no?
87:15
Speaker A
El coordinador de la facultad desea estimar el total con un error máximo de 30 alumnos y un nivel de confidencia de 95%.
87:25
Speaker A
¿Cuántos alumnos de la facultad se les debería encuestar para garantizar un margen de error de 30 alumnos?
87:35
Speaker A
30 alumnos de 100 vendría a ser el 2.5%, ¿no? Como yo quiero estimar cuántos alumnos tienen PC en su casa, entonces voy a optar por un por una estrategia de tamaño de muestra para proporciones, ¿no? ¿Por qué? Porque un alumno tiene o no tiene
87:56
Speaker A
PC, es una proporción, ¿no? Entonces, mi tamaño de población es 10000. Mi margen de error va a ser 30 / 1200, es decir, 2.5%.
88:10
Speaker A
Nivel de confianza 95%, por ende, alfa vale 5%. No me dicen nada de la tasa no respuesta es cero.
88:19
Speaker A
Tampoco no me dicen nada de la proporción de éxito, debe ser 0.5. se asumen.
88:25
Speaker A
Entonces, con todos estos datos, lo que tengo que hacer es usar la función y dar los valores apropiados, ¿no?
88:31
Speaker A
Ejecuto y tengo 675 de muestra, es decir, con ese tamaño de muestra yo puedo garantizar esas precisiones indicadas.
88:46
Speaker A
Es decir, cualquier ejercicio que vean en los libros de tamaños de muestra, muchachos, ya lo pueden resolver, ¿no?
88:56
Speaker A
Claro, con esto te evitas pues de estar calculando los cuantiles de Z1 alfa medio. Era trabajoso, ¿no? Ya el R lo calcula directamente. Miren, acá está calculando miren el cuantil, ¿no?
89:13
Speaker A
1 men alfa medi ya la función lo calcula, ¿no? Otro ejercicio, muchachos. Se decía realizar una encuesta entre población juvenil de una determinada localidad para determinar la proporción de jóvenes que estaría a favor de una zona de óseo.
89:33
Speaker A
El número de jóvenes de dicha población es 2000. Determinar el tamaño de muestra necesario para estimar la proporción de estudiantes que están a favor.
89:43
Speaker A
con un error de estimación del 5% y un nivel de confianza del 95%. La respuesta es 323 según el libro.
89:52
Speaker A
Saqué de un libro, no me acuerdo, el autor, el ejercicio y su respuesta. Solución, identificar los datos.
90:05
Speaker A
Una vez identificado, simplemente le damos a la función y automáticamente sale el tamaño de muestra, ¿no?
90:17
Speaker A
Así, muchachos, es sencillo. Lo mismo se puede hacer para la media, ¿no? Aunque la fórmula anterior sirve tanto para media, tanto para proporciones, pero vamos a plasmar esa fórmula teórica en el R, ¿no? Es decir, esto tenemos que
90:40
Speaker A
llevarlo a una función N si M, así lo he llamado yo. Acá están sus argumentos y acá está el cuerpo de la función, ¿no?
90:52
Speaker A
Literal, esta formulita lo he pasado a código. Acá se ejecuta la función. Ahí está. Ojo, esta este código ya ustedes lo tienen, lo pueden usar las veces que quieran.
91:07
Speaker A
Ahora llamo a la función, le doy los datos y automáticamente va a calcular la muestra, ¿no? Ahí está.
91:17
Speaker A
Sencillo ¿no? Acá hay un ejercicio para la media, muchachos. A ver, dice también se acaba de un libro, ¿no?
91:28
Speaker A
La empresa consultora B tiene 100 empleados. Se desea estimar la edad promedio de los empleados.
91:36
Speaker A
Para tal propósitos, el gerente de empresa desea obtener una muestra con un margen de error de dos empleados, ¿no? Más menos dos empleados.
91:47
Speaker A
La desviación estándar del promedio de edad es 12.5 años. ¿Cuál es el tamaño de muestra? considerar si quieres obtener un resultado con un 95% de confianza.
91:58
Speaker A
Población 100, margen de R 2, sigma 12.5 alfa 5% no es en la tasa no respuesta.
92:08
Speaker A
Entonces, simplemente uso la función que he creado, reemplazo los insumos y listo. Con 136 empleados se puede garantizar ello ¿no?
92:22
Speaker A
Ya lo demás puedes manipular, ¿no? ¿Qué pasa si el margen de error es uno? Y se mira, prácticamente es por cuatro, ¿no?
92:32
Speaker A
Y así, ¿qué pasa si le agrego 5% de tasa no respuesta? Y bueno, ya pueden ustedes evaluar el escenario que más le conviene, controlando pues margen de error y tas respuesta, ¿no? Lo demás no se toca para nada,
92:50
Speaker A
no se toca. Si quieren buscar el ideal según su presupuesto, jueguen con estos dos insumos, ¿no?
93:03
Speaker A
Eso es lo más recomendable, muchachos. Muy bien. Entonces, esto le va a servir para sus investigaciones.
93:14
Speaker A
Ahora ustedes se van a preguntar, "No, profesor, ¿y qué pasa si ya existen las encuestas?
93:19
Speaker A
¿Cómo estimo usando las encuestas?" Claro, acá hemos aprendido calcular el tamaño de muestra, ¿no?
93:29
Speaker A
Pero ustedes se preguntarán, "¿Y esas encuestas que ya existen, ¿cómo lo puedo usar para estimar algún parámetro de interés?" Eso es un plus para ustedes. Les he traído el 13.2.
93:44
Speaker A
Vamos a estimar la pobreza acá Perú del año 2024. Para replicarlo ustedes tendrían que buscar una data de sus país relacionado a pobreza y hacer lo mismo, ¿no? Porque el diseño sigue siendo el mismo. Es un diseño tres etapas
94:04
Speaker A
conglomerado, esttificado y todo ello, ¿no? Esta base de datos, muchachos, es del INI, en este caso es sumaria, que es un módulo de resúmenes de los principales indicadores de la encuesta.
94:21
Speaker A
Primero vamos a cargar Survey. Es la es la librería para hacer análisis de encuestas en R, muchachos.
94:30
Speaker A
Es esa librería es potente. Tanto es así que existe como cinco libres escritos sobre esa librería.
94:38
Speaker A
Una librería muy potente, muchachos. Si ustedes quieren llevar las encuestas, estimaciones a un nivel más alto, usen la librería Sarve ¿no?
94:51
Speaker A
A ver, supuestamente ustedes van a descargar esa base de datos. Ahí está. Voy a cargar.
94:59
Speaker A
Tiene 33,691 hogares muchachos. una muestra grande, ¿no? Claro, para promedio de más de 8 millones de dólares manejable, ¿no?
95:16
Speaker A
Y esa base de datos, pues tiene esta estructura, ¿no? Año de ejecución, mes, conglomerado vivienda hogar.
95:24
Speaker A
es primera etapa, segunda etapa y tercera etapa, ¿no? Y acá están todas las variables de ingresos y gastos de las de los hogares, ¿no?
95:35
Speaker A
Hay una variable llamado pobreza. Hay tres tipos de pobreza. Pobre extremo, pobre y no pobre.
95:46
Speaker A
Lo que a mí me interesa es en general los pobres, ¿no? Muy bien. Lo malo que estas bases de datos no están debidamente etiquetadas, ¿no? Por eso aparecen ceros, unos y uno no sabe qué significa, ¿no?
96:08
Speaker A
Para conocer un poquito, hay que leer el instrumento de medición, el cuestionario ¿no? Ahí hay mucha información.
96:18
Speaker A
Entonces, en base a eso yo lo puedo etiquetar, ¿no? Estos dos son pobre, no pobre. Entonces, ya lo puedo etiquetar, ¿no? Ahí está. No pobre y pobre.
96:31
Speaker A
o también lo puedo etiquetar pues en función a sus tres, ¿no? Pobre extremo, pobre no extremo y no pobre, ¿no?
96:40
Speaker A
Y así hay variables como urbano rural que también hay que etiquetarlo, ¿no? Entonces es una encuesta muy amplio, es muy extensa y hay que documentarse muy bien antes de entrar a estimar, ¿no?
96:57
Speaker A
También hablan de dominio, ¿no? Acá en el Perú, a costa, Sierra y Selva, eh, Lima Metropolitana es la capital, ¿no? Pero tenemos costa, tenemos sierra, tenemos selva, ¿no? Y dentro de las costas tenemos variantes, ¿no?
97:16
Speaker A
Entonces, nosotros podemos calcular pobreza a nivel de dominios, inclusive. Factor expansión. El factor expansión, muchachos, su función es expandir la estimación muestral hacia la población.
97:36
Speaker A
Es decir, lo que tú obtengas con tu muestra expandida es lo que sucede en tu población.
97:44
Speaker A
Es una muy buena aproximación. Gracias al factor expansión se dice que tus encuestas son inferenciables, ¿no?
97:56
Speaker A
El factor de expansión es el encargado de hacer la expansión, muchachos. Es decir, si tú usas una encuesta expandida sobre de pobreza, dirías el 43.5% en el Perú son pobres.
98:14
Speaker A
Esa conclusión se hace gracias al factor expansión. Su trabajo es eso. Muy bien. Acá se construye factor de expansión a nivel de personas. Obviamente este factor que existe en la base de datos es un factor de expansión a nivel
98:33
Speaker A
de hogares. La pobreza que se mide en muchos países es la pobreza poblacional, muchachos.
98:41
Speaker A
Entonces, voy a hacer una conversión. multiplicándole por el número de miembros en el hogar, ¿no? ¿Por qué?
98:48
Speaker A
Porque yo quiero expandir a nivel poblacional. Y acá viene la etapa del survey, muchachos. El survey, la librería survey, te permite hacer estimaciones para muestras complejas, pero primero tienes que declarar qué tipo de muestreo se ha usado para esa encuesta, en este
99:08
Speaker A
caso para la encuesta nacional de wares. Es un muestro conglomerado estratificado. Entonces, voy a definir el diseño Sy design de la función de la librería te permite definir el diseño muestral.
99:26
Speaker A
ID quiere decir conglomerado, estrata quiere decir estrato, was quiere decir los pesos o los factores de expansión, data quiere decir la data que vas a usar, ¿no?
99:38
Speaker A
Todos estos insumos está en la ficha técnica de la encuesta. Entonces, la ficha técnica es un resumen del diseño muestral.
99:49
Speaker A
Siempre hay que documentarse antes de hacer estimaciones, muchachos. es muy importante. Entonces, acá definimos el diseño muestral, ¿no?
99:57
Speaker A
Listo, ya está declarado. Una vez declarado el diseño muestral con los elementos respectivos, vamos a usar funciones específicas.
100:07
Speaker A
Siming te permite hacer estimaciones de qué tipo de pobreza. Porque yo quiero medir pobreza y le voy a dar el diseño declarado.
100:17
Speaker A
Simplemente ejecuto y listo, muchachos. La pobreza en el Perú es el 27.6%. Muchachos, ¿cómo me doy cuenta de eso? Buscamos un informe técnico.
100:37
Speaker A
Progras 24 in. Acá no estamos haciendo cálculos de muestra porque la muestra ya está cerrada ¿no?
100:47
Speaker A
Lo que estamos haciendo es usar una muestra para obtener indicadores. A ver, ¿dónde? Por esa 24.
101:04
Speaker A
Miren 27.6 ¿no? Ahí está. Ahí está. De esa manera ustedes pueden saber pues lo que están haciendo, si está bien o no ¿no?
101:26
Speaker A
Entonces eso es estimar la pobreza, muchachos, en este caso usando data real, encuestas reales, ¿no?
101:35
Speaker A
Pero esta cifra es nacional. La pobreza nacional en el Perú es 27.6%. Cuando tú desagregas a nivel de urbano rural, las cosas cambian, ¿no?
101:50
Speaker A
Para hacer eso se usa la función spy by y simplemente le hizo tipo de pobreza en función al área, ¿no? Urbano rural.
102:00
Speaker A
Ejecutas y acá está la estimación. ¿Dónde está la pobreza? Miren muchachos en el área rural la pobreza es de 39.3%.
102:25
Speaker A
es mucho más alta, ¿no? Evidentemente eh las zonas rurales o los hogares en zonas rurales pues no no tienen tan buenas condiciones, ¿no?
102:40
Speaker A
Es propio de la ruralidad, ¿no? Muy bien. Entonces así, muchachos, se usa eh Sarway para hacer estimaciones, ¿no? Esto también es muestreo porque estoy usando una muestra para hacer estimaciones.
102:57
Speaker A
El otro muestreo es como que los inicios, ¿no? Del tamaño de muestra y todo. Ya.
103:07
Speaker A
¿Qué más se puede hacer, muchachos? Por también puedes estimar los tres tipos de pobreza, ¿no?
103:16
Speaker A
Si queremos hablar de pobreza extremo, bueno, al menos casi 6% están en pobreza extrema acá en el Perú.
103:25
Speaker A
Pobre no extremo, 22.1% y no pobre son 72.4%. No, no pobre, no. También puedes calcular la pobreza por dominio, cómo es ese comportamiento.
103:46
Speaker A
A ver, vamos a buscar dónde está pobre. Acá está la estimación de pobre por dominio ¿no?
103:55
Speaker A
La cifra más alta, muchachos, es esta de acá. Es decir, si a nivel nacional la pobreza era de 27.6%, si nosotros nos vamos al dominio Sierra Norte, la pobreza llega a 45.7%, 7%.
104:18
Speaker A
Muchachos, se dan cuenta que analizando encuestas que ya existen, podemos obtener información muy rica, muchachos.
104:33
Speaker A
¿Qué nos falta? Herramientas para explotar, pero ya lo sabemos, ya lo hemos visto, ya lo estamos viendo también.
104:43
Speaker A
Entonces, el muestreo sirve para todas estas cosas, muchachos. Miren, la pobreza es muy alta en la Sierra Norte. La sierra norte acá en el Perú es pues eh las zonas altandinas, ¿no? Es ya zonas donde hace mucho frío,
105:01
Speaker A
eh no hay tanto acceso de servicios, ¿no? Muchas veces son regiones olvidadas por el gobierno, bueno, hay muchos factores más y eso se refleja pues en sus indicadores de pobreza ¿no?
105:17
Speaker A
45.7%, muchachos. Muy bien. Hasta ahorita hemos visto en reportes, ¿no? Se puede llevar eso a un gráfico claro que sí, muchachos. Este mismo lo podemos llevar a un gráfico de barras, ¿no? ¿Cómo se hace eso? Usando, pues gg
105:39
Speaker A
plot, ¿no? Lo único que le voy a pedir es lo siguiente. Llévame ese cifro de pobreza a un gráfico interesante. Y ahí está, muchachos. Esta información ya vende bastante, es muy informativo y es data real, una encuesta real,
106:03
Speaker A
muchachos. Por ende, cifras inferenciables muchachos. Eso es lo interesante y lo útil del muestreo muchachos.
106:17
Speaker A
Y ustedes pues pueden personalizar este gráfico usando IA, ¿no? ¿Sabes qué? Mejórame este gráfico de barras, quiero el estilo BBC de Londres y uf, te va a hacer unos gráficos hermosos, ¿no?
106:32
Speaker A
Muy bien, muchachos. Esto era un plus para ustedes para que puedan tener más herramientas y poder explotar esas encuestas de de sus respectivos países, ¿no?
106:43
Speaker A
Siempre documentarse con la ficha técnica, revisar el el diccionario variables, eh y también eh los cuestionarios, ¿no? Las famosas cédulas para entender pues eh las variables, ¿no?
107:00
Speaker A
Buen, muchachos, eso sería todo por el día de hoy. No sé si habrá algunas consultas.
107:14
Speaker A
Muy bien. Creo que no hay ninguno. Se han ido a la fiesta, creo, como es sábado.
107:18
Speaker A
No, no, no hay consulta. Sí, saquen provecho esta este tipo de a la librería, muchachos, sobre todo al R que uf pueden explotar eh mucho, la verdad, mucho, mucho.
107:33
Speaker A
Ahora que tienen la ayuda de la uf, pueden ayudarse y hacer cosas muy interesantes muchachos.
107:42
Speaker A
Bien, nos quedamos acá, muchachos, y estaríamos continuando la siguiente sesión que ya vamos a entrar a modelos predictivos. Ah.
107:51
Speaker A
Muy bien, muchachos, excelente fin de semana para todos y nos vemos la siguiente sesión. Muchas gracias por su atención.
107:57
Speaker A
Muchas gracias, profe. Nos vemos. Cuídense.
Topics:muestreo estadísticotamaño de muestramuestra aleatoriamarco muestralestimadores muestralesprueba pilotocensoencuestasinvestigación estadísticamargen de error

Frequently Asked Questions

¿Qué es el muestreo estadístico y para qué se utiliza?

El muestreo estadístico es un conjunto de métodos para obtener una muestra representativa de una población con el fin de estimar parámetros o corroborar hipótesis en investigaciones.

¿Cuál es la diferencia entre muestreo estadístico y no estadístico?

El muestreo estadístico es aleatorio y permite hacer inferencias válidas, mientras que el no estadístico es no probabilístico y solo sirve para obtener referencias o percepciones sin inferencias estadísticas.

¿Por qué es importante el marco muestral en una investigación?

El marco muestral es una versión actualizada y depurada de la población objetivo que permite extraer una muestra eficiente y evitar pérdidas de información por incluir elementos no válidos.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play
Or transcribe another YouTube video here →

More from Mundo Tesis (Oficial)

View All
Sesión 14 — Transcript

Sesión 14 — Transcript

8,768 words · 72 min · Spanish
Sesión 13: Muestreo estadístico — Transcript

Sesión 13: Muestreo estadístico — Transcript

13,028 words · 108 min · Spanish
Sesión 12 N°: Fiabilidad de instrumentos Alfa de Cronbach — Transcript

Sesión 12 N°: Fiabilidad de instrumentos Alfa de Cronbach — Transcript

13,760 words · 122 min · Spanish
Sesión N° 11: Regresión logística binaria — Transcript

Sesión N° 11: Regresión logística binaria — Transcript

11,213 words · 108 min · Spanish
Sesión 10: Regresión lineal simple y múltiple — Transcript

Sesión 10: Regresión lineal simple y múltiple — Transcript

13,167 words · 117 min · Spanish
Sesión 9: Pruebas no paramétricas — Transcript

Sesión 9: Pruebas no paramétricas — Transcript

11,992 words · 110 min · Spanish
Sesión 8 Pruebas de hipótesis paramétricas — Transcript

Sesión 8 Pruebas de hipótesis paramétricas — Transcript

12,942 words · 118 min · Spanish
Sesión 7: Análisis de correlación — Transcript

Sesión 7: Análisis de correlación — Transcript

13,995 words · 118 min · Spanish
Sesión 6: Distribuciones de probabilidad — Transcript

Sesión 6: Distribuciones de probabilidad — Transcript

13,509 words · 116 min · Spanish
Sesión 5: Estadística descriptiva con R — Transcript

Sesión 5: Estadística descriptiva con R — Transcript

15,506 words · 120 min · Spanish
Sesión 4: Visualización de datos usando GGPLOT2 — Transcript

Sesión 4: Visualización de datos usando GGPLOT2 — Transcript

14,165 words · 117 min · Spanish
Sesión 3: Manipulación de datos con DPLYR y TIDYR — Transcript

Sesión 3: Manipulación de datos con DPLYR y TIDYR — Transcript

13,274 words · 117 min · Spanish