-Todas las personas tienen la misma oportunidad de elegir, garantizando los patrones del universo si se realizan correctamente.

Desventaja:

-Esto requiere acceso a la lista completa del universo, que puede ser costoso o difícil de lograr en algunos casos.

Tipo de muestreo:

Estratificado, conformado por seis estratos.

Etapa 1: Clasificación de empresas según actividad económica.

Etapa 2: División en estratos y subestratos basados en actividad económica, ingresos y personal ocupado.

Etapa 3: Uso del método de Hidiroglou para separar empresas grandes (IF) de pequeñas (IP).

Etapa 4: Recolección de datos exclusivamente del grupo IF.

Etapa 5: Suma de empresas en el grupo IF para obtener el tamaño total (4,034 empresas).

Etapa 6: Suma directa de los valores reportados por las empresas en el grupo IF para estimar totales de ingresos y personal ocupado.

Tamaño de muestra: 4.034 empresas

Tipo de muestreo:

Multietápica: Viviendas, hogares o personas en tres etapas (UPM, USM y UTM)

Estratificada: Muestra a nivel de departamento

Conglomerados: Corresponden a 10 viviendas (contiguas)

Etapa 1: Asignación de probabilidades conocidas a todas las unidades de muestreo.

Etapa 2: División de la población en estratos homogéneos.

Etapa 3: Definición de conglomerados de viviendas contiguas.

Etapa 4: Cálculo del tamaño óptimo ajustado por efecto de diseño y afijación Neyman.

Etapa 5: Calibración para alinear las estimaciones con las proyecciones de población.

Etapa 6: Medición de la precisión de las estimaciones.

Tamaño de muestra: El texto no especifica el tamaño exacto de la muestra, pero puede variar en un rango entre 40.000 y 60.000 viviendas

Tipo de muestreo:

Estratificado:

- Nivel 1: directivos, asesores y ejecutivos
- Nivel 2: profesionales y técnicos
- Nivel 3: operarios y administrativos

Etapa 1:Construir y depurar listado de servidores públicos.

Etapa 2: Dividir por niveles jerárquicos dentro de cada entidad.

Etapa 3: Determinar según tamaño poblacional y asignar forma proporcional por niveles.

Etapa 4: Uso de muestreo aleatorio simple, dentro de cada estrato.

Etapa 5: Ajuste de factores de expansión e imputación de datos faltantes.

Etapa 6: Medición de varianza y coeficiente de variación.

Etapa 7: Aplicación de estimadores y factores de expansión.

Tamaño de muestra: 500 Funcionarios

• Es súper fácil de usar y no necesitas herramientas complicadas como esas tablas de números aleatorios 

Desventaja: 

• A veces, si el marco de la muestra esconde algún patrón, podríamos terminar sesgando la selección de la muestra. 

Cursos en línea de matemáticas, física y química (6 nov 2019

) [Video].

https://www.youtube.com/watch?v=ZpcqjuBHD4w

El muestreo por conglomerados es una técnica de muestreo probabilístico utilizada cuando la población de estudio se encuentra dispersa geográficamente o resulta costoso realizar un muestreo individual directo. En lugar de seleccionar elementos individuales de la población, este método implica dividir la población en grupos o "conglomerados", que usualmente están formados por elementos heterogéneos entre sí pero homogéneos internamente. Posteriormente, se seleccionan aleatoriamente algunos de estos conglomerados y se estudian todos los elementos que los componen o una muestra dentro de ellos.

• Es bastante útil cuando el universo está distribuido por diferentes lugares, ya que ayuda a reducir los costos de recolección de datos. 

Desventaja: 

• Podría haber más diferencias entre los grupos, lo que afectaría qué tan representativa es la muestra. 

Recurso visual: 

https://www.youtube.com/watch?v=0n-q9PRc4DE 

• Al incluir a todos los grupos, se logra que las diferencias dentro de cada uno sean menores, lo que hace que los resultados sean más precisos. 

• Garantiza que los diferentes subgrupos (estratos) de la población estén representados en la muestra, lo cual es útil cuando ciertos estratos son pequeños pero relevantes para el estudio. 

• En comparación con el muestreo aleatorio simple, el estratificado puede ser más eficiente, ya que la muestra está mejor distribuida y refleja más fielmente la población, especialmente si los estratos tienen características distintas. 

Desventaja: 

• Dividir en estratos puede hacer que llevar a cabo el muestreo tarde más tiempo y cueste más recursos 

• Requiere conocimiento previo de la población para identificar y definir correctamente los estratos, lo que implica trabajo adicional. 

• Requiere un diseño más detallado y la definición clara de los estratos, lo que puede hacer que el proceso sea más complicado en comparación con el muestreo aleatorio simple.