El muestreo aleatorio sistemático utiliza los mismos principios estadísticos que el simple muestreo aleatorio, es decir, los valores de P y los intervalos de confianza se calculan de la misma manera. Sin embargo, el muestreo aleatorio sistemático no implica una selección aleatoria separada de cada hogar. Por esta razón, el muestreo aleatorio sistemático a menudo se usa para seleccionar muestras grandes de una larga lista de hogares.
- Calcule el intervalo de muestreo (el número de hogares en la población dividido por el número de hogares necesarios para la muestra)
- Seleccione un inicio aleatorio entre 1 y el intervalo de muestreo
- Agregue repetidamente el intervalo de muestreo para seleccionar hogares posteriores
Ejemplo de muestreo aleatorio sistemático de 10 hogares de una lista de 40 hogares
Primero calculamos el intervalo de muestreo dividiendo el número total de hogares en la población (40) por el número que queremos en la muestra (10). En este caso, el muestreo es 4. Luego seleccionamos un número entre 1 y el intervalo de muestreo de la tabla de números aleatorios (en este caso 3). El hogar #3 es el primer hogar. Luego contamos la lista comenzando con el hogar #3 y seleccionamos cada cuarto hogar. Por ejemplo, el segundo hogar seleccionado es 3 + 4 o #7. Tenga en cuenta que cuando llegue al final de la lista, debería haber seleccionado su número deseado de hogares. Si no lo ha hecho, ha contado mal o calculó mal el intervalo de muestreo. Deberías regresar y comenzar de nuevo.
Así es como debería ser tu selección final:
El muestreo aleatorio sistemático se puede hacer con cualquier lista.
¿Cómo se calcula el muestreo aleatorio sistematico?
Se diferencia del muestreo aleatorio simple, especialmente desde el punto de vista de la técnica de extracción de los sujetos: de hecho, ya no se extraen uno por uno al azar, pero una vez que se extrae una unidad, la muestra extraída se determina de acuerdo con un criterio razonado, En general, elegir una unidad cada intervalo k = n/n.
Conociendo N (amplitud de la población de referencia) y establecido N (amplitud de la muestra), es posible determinar el intervalo de muestreo k = n/n (el paso de muestreo de SO), es decir, el número de posiciones que se calculan para identificar en Sucesión Las unidades de muestra que constituirán la muestra sistemática.
Tomando por simplicidad que K es un entero, un número entre 1 y k (donde K representa el intervalo de muestreo) se extrae) y continúa seleccionando una unidad cada k presente en la lista, comenzando desde el primero extraído al azar. El número de inicio aleatorio (R) se puede elegir recurriendo a la tabla de números aleatorios con R ≤ K.
La muestra sistemática obtenida estará determinada por el conjunto de unidades seleccionadas con el siguiente método: r+(j-1) k con j = (2,3,4,…, n)
Ejemplo: n = 1000; n = 20; K = 1000/20 = 50; R (número aleatorio ≤ 50) = 22
Antes del advenimiento y la propagación de las computadoras, la extracción de una muestra aleatoria podría ser extremadamente laboriosa. El muestreo sistemático fue diseñado para reducir el trabajo en las tablas de números aleatorios y todavía se usa ampliamente hoy en día, a pesar de la informatización de la mayoría de las operaciones de detección y, sobre todo, la selección de muestras probabilísticas.
El muestreo sistemático, precisamente por su simplicidad, todavía se usa ampliamente sobre todo porque con una aplicación adecuada permite obtener una muestra compuesta por unidades que provienen de toda la lista y no solo de algunas de sus partes como podría suceder, como un resultado de la aleatoriedad, en otros esquemas de muestreo, como el muestreo aleatorio simple.
Desde un punto de vista de la eficiencia de la estima, desde la descomposición de la desviación, desciende que, como un muestreo sistemático aproximado, es más eficiente que el muestreo aleatorio simple en caso de que la varianza dentro de las muestras sistemáticas sea mayor que la desviación total de la variable de interés.
Existen riesgos de mala representatividad en la selección de la muestra en caso de que la lista muestre algún sistema cíclico o estacional que, debido a un paso de muestreo no adecuado, no se atrapa.
¿Cómo se saca una muestra aleatoria sistematica?
Cada procedimiento estadístico consta de tres especificaciones: cómo recopilar datos de muestra,
cuánto recopilar y qué hacer con esos datos. Los primeros dos de estos –
las especificaciones «cómo» y «cuánto»: juntos determinan un
Procedimiento de muestreo.
El objetivo principal al decidir cómo se recopilarán los datos de la muestra es evitar el muestreo
sesgo, es decir, la omisión sistemática (o subrepresentación) de algún grupo específico de individuos
Desde el proceso de recolección de datos. La línea principal de defensa contra el sesgo de muestreo es buena
Juicio, basado en la experiencia previa que se ocupa de la población que se está estudiando. Sin posterior
El análisis estadístico de los datos recopilados de manera sesgada revelará el sesgo (y todo
El análisis estadístico comienza con la suposición de que los datos de la muestra se han recopilado en
una manera imparcial).
Los objetivos del muestreo son utilizar un procedimiento que probablemente produzca un
Muestra «representativa» de la población en su conjunto (es decir, para limitar la exposición a
Error de muestreo), mientras mantiene presionado los costos de muestreo tanto como sea posible. Desde una perspectiva estrecha,
Si nos limitamos a una forma particular de recopilar datos, enfrentamos una compensación clara: grande
Las muestras limitan nuestra exposición al error de muestreo, pero son muy costosos. Sin embargo, si ampliamos nuestro
perspectiva para permitir diferentes métodos de recolección de datos, encontramos que a veces un método puede
implica tanto menos exposición al error de muestreo y menores costos que otro.
Los tres métodos más usados en comunicación para recopilar datos de muestra (cuando el objetivo de un estudio es
Estimaciones de medias y proporciones) son muestras aleatorias simples, muestreo estratificado y clúster
muestreo.
¿Qué es el muestreo aleatorio simple fórmula?
Con el método de muestreo aleatorio simple (generalmente abreviado bajo el acrónimo EAS), cada individuo que forma parte de la población de referencia tiene la misma oportunidad de ser elegido para ser parte de la muestra de la encuesta.
Esta técnica de muestreo probabilístico se puede llevar a cabo asignando un número a todos los posibles participantes y dibujando los números. Por supuesto, debe haber definido el tamaño ideal de la muestra de su encuesta para dibujar el número correcto de números y, por lo tanto, seleccionar el buen número de participantes en la encuesta final.
Aquí hay un ejemplo simple para ilustrar el EAS. Desea cuestionar a los habitantes de una ciudad específica en sus hábitos de consumo en el desayuno. De acuerdo con los cálculos de su tamaño de muestra, debe cuestionar a 1.500 personas para obtener resultados relevantes y confiables. Para seleccionar a los participantes, toma un directorio telefónico que enumera los nombres y los datos de contacto de los 10,000 hogares presentes en esta ciudad. Atribuye un número de 1 a 10,000 a cada hogar y le pide a su computadora que seleccione 1,500 números de los 10,000 posibles. Tiene su lista de 1.500 participantes seleccionados de manera completamente aleatoria.
Este método de muestreo es muy simple de implementar y genera poco costo para el organizador de estudio de mercado. Solo, dada la aleatorización de la selección, puede conducir a la constitución de un grupo de encuestados que no son muy representativos de la población de referencia a ser estudiada. Además, este método implica la posesión de una base de datos que contiene la lista de todas las unidades de la población de referencia para llevar a cabo la muestra.
¿Cómo calcular la probabilidad de una muestra aleatoria?
¿Cuándo se distribuye normalmente la media de la muestra (o aproximadamente normalmente distribuida)? Esto sucede cuando cualquiera de las dos condiciones está satisfecho:
- La población principal se distribuye normalmente, por lo que la media de la muestra se distribuye automáticamente normalmente.
- El tamaño de la muestra es grande, y el teorema del límite central implica que la media de la muestra normalmente se distribuye.
Para la media de los dibujos de una variable aleatoria con media ( mu ) y desviación estándar ( sigma ), las siguientes son verdaderas:
- La población principal se distribuye normalmente, por lo que la media de la muestra se distribuye automáticamente normalmente.
- El tamaño de la muestra es grande, y el teorema del límite central implica que la media de la muestra normalmente se distribuye.
Anteriormente, aprendió a usar el applet de probabilidad normal para convertir una puntuación A (Z ) en un área correspondiente bajo la curva. Estas habilidades se aplicarán nuevamente en esta actividad. Las siguientes preguntas lo ayudarán a repasar cómo usar el applet.
- La población principal se distribuye normalmente, por lo que la media de la muestra se distribuye automáticamente normalmente.
- El tamaño de la muestra es grande, y el teorema del límite central implica que la media de la muestra normalmente se distribuye.
Si la media de la muestra se distribuye normalmente, entonces podemos considerar la media de la muestra, ( bar x ), como una observación de una distribución normal con media ( mu ) y desviación estándar ( displayStyle { frac { Sigma} { sqrt {n}}} ). Con esto en mente, podemos calcular la puntuación (z )-para cualquier valor de esta variable aleatoria:
Tenga en cuenta que acabamos de reemplazar el «valor» con la variable aleatoria normal, la «media» con su media y «desviación estándar» con su desviación estándar.
Artículos Relacionados:
