1

Sesión 1A La noción de calidad total y Las bases del muestreo científico

Juan Muñoz, Sistemas Integrales Santiago, 12 de abril de 2013

Por favor, conéctese al

Canal 50

El producto final

Muestreo

Gestión

de datos

instrumentos

Recolección de datos

2

Calidad Total en encuestas

La integración de el diseño muestral, el cuestionario y los instrumentos, el trabajo de campo y la gestión de los datos con el fin de entegar a los analistas Una base de datos fiable En tiempo oportuno

Los datos pierden valor si no representan la realidad del momento

El ejecutor del programa de intervención

El evaluador (Agencia de evaluación, nacional

o internacional)

Firma encuestadora responsable de recoger los datos

Equipo central

El escenario y los actores

3

Finanzas $

Gerente

Brigadas de campo

Jefe de proyecto Jefe

de gestión de datos

Especialistas en diseño y análisis de Evaluación de Impacto

Jefe de operaciones de campo

Aseguramiento de Calidad

Equipo de evaluación

Documentación

Las claves de la calidad

Calendarios y presupuestos de encuestas

Ejercicio de Aseguramiento

de Calidad

Trabajo de campo y

Aseguramiento de Calidad

Ejercicio de Trabajo de

Campo

Diseño de cuestionarios

Ejercicio de diseño de

cuestionarios

Ejercicio de cálculos de

potencia

Muestreo y Evaluación de

Impacto

Potencia

Muestras complejas y efectos de

diseño

Ejercicio de muestras complejas

Calidad total

Muestreo científico

Ejercicio de muestreo científico

Métodos de encuestas Panorama de las presentaciones

Mañana 1

Mañana 2

Tarde 1

Tarde 2

Viernes 12 Lunes 15 Martes 16 Miércoles 17 Jueves 18

El producto final de la encuesta es…

1 2 3 4 5

0% 0% 0%0%0%

1. El trabajo de campo 2. Una base de datos 3. El muestreo

científico 4. La gestión de los

datos 5. El cuestionario

La calidad total es importante en…

1 2 3 4 5

0% 0% 0%0%0%

1. Encuestas Demográficas y de Salud

2. Ensayos con controles aleatorizados

3. Encuestas de Nivel de Vida

4. Encuestas de Evaluación de Impacto

5. Todas las anteriores

Elecciones y hechicería estadística

7

El muestreo aleatorio • En los ejemplos que vimos, los electores de la muestra

se elegían como en una lotería. Esa técnica de selección se llama “Muestreo Aleatorio Simple”

• Pronto discutiremos técnicas más complejas (muestreo estratificado, muestreo por etapas, etc.), pero todas serán técnicas aleatorias.

• En el muestreo aleatorio (también llamado muestreo probabilístico, o muestreo científico), cada elemento de la población tiene una probabilidad ser elegido en la muestra – positiva, y – conocida

• Gracias a eso, las muestras aleatorias permiten calcular márgenes de error e intervalos de confianza. Otras formas de muestreo (por cuotas, por conveniencia, etc.) no lo permiten

8

pero esa probabilidad no necesita ser la misma para todos…

Una sola muestra

• En los ejemplos, para ver la distribución de las estimaciones, hacíamos como que el investigador pudiera elegir muchas muestras

• En la práctica, el investigador sólo puede elegir una sola muestra

• La teoría del muestreo entrega fórmulas que permiten conocer la distribución de las estimaciones con base en esa única muestra

9

Fórmula básica del Muestreo Aleatorio Simple

para estimación de prevalencias

10

𝑒 = 1 −𝑛𝑁

𝑃(1 − 𝑃)𝑛

Error estándar

Tamaño de la población Prevalencia Tamaño de

la muestra

¿Para qué sirve el error estándar?

11

12

Ejemplo

• Queremos evaluar el impacto de una campaña para reducir el tabaquismo entre las embarazadas.

• Para tener datos de línea basal, se eligió una muestra aleatoria simple de 900 de los 17.125 partos registrados en 2011 en la provincia.

• 279 de las madres de la muestra declararon haber fumado durante el embarazo.

• ¿Qué podemos decir sobre la prevalencia actual del tabaquismo entre las madres de la provincia?

13

14

Obviamente, podemos estimar la prevalencia del tabaquismo como P = 279 / 900 = 0,31 (31 por ciento).

También podemos estimar el error estándar como

𝑒 = 1 −𝑛𝑁

𝑃(1 − 𝑃)𝑛

𝑒 = 1 −900

17.1250,31(1 − 0,31)

900

e= 0, 0150 (1,50 por ciento)

Con base en el error estándar podemos calcular intervalos de confianza

Intervalos de confianza

27 28 29 30 31 32 33 34 35

La prevalencia estimada es 31 por ciento con un error estándar de 1.50 por ciento

Error estándar

Intervalo del 95 por ciento de confianza: 31 ± 1,50 • 1,96

Intervalo del 99 por ciento de confianza: 31 ± 1,50 • 2,58

Efecto del tamaño de la población

16

𝑒 = 1 −𝑛𝑁

𝑃(1 − 𝑃)𝑛

Corrección de población

finita

En la práctica, casi siempre es tan cercana

a 1 que podemos ignorarla

Efecto del tamaño de la población

17 Tamaño de la población

Tamaño de la muestra necesaria

para obtener una

precisión determinada

En la práctica, el tamaño de la población incide muy poco sobre el tamaño de la muestra necesaria para obtener una precisión determinada

Efecto del tamaño de la muestra

18 Tamaño de la muestra

Error estándar Para reducir el error a la mitad…

…hay que cuadruplicar la muestra

Error muestral vs error no muestral

19 Tamaño de la muestra

Error muestral

Error no muestral

Error total

𝑒 = 1 −𝑛𝑁

𝑃(1 − 𝑃)𝑛

𝑒 =𝑃(1 − 𝑃)

𝑛

𝑛∞ =𝑃(1 − 𝑃)

𝑒2

𝑛∞ =𝑡∝2𝑃(1 − 𝑃)

𝐸2

Para una población infinita (N=∞)

Para un error máximo E con un nivel de confianza α

con t95%=1.96, t99%=2.58, etc.

𝑛𝑁 =𝑛∞

1 + 𝑛∞ 𝑁⁄

Para una población de tamaño N

Para la estimación de promedios

21

𝑒 = 1 −𝑛𝑁

𝜎2

𝑛≈

𝜎𝑛

Para el trabajo en grupos • Después del café, diríjase a la sala que corresponde a su grupo:

• Tenga a mano su calculadora • Copie a su computador el libro Excel Lesson1.xlsm • Asegúrese de habilitar la ejecución de macros en Excel. Vea las

instrucciones para hacerlo en Habilitar_Macros_Excel.doc • Si tiene dificultades, consulte al animador de su grupo durante la

pausa de café, antes de que comience la clase, dentro de 30 minutos

• Si no tiene computador, intente trabajar con un colega 22

Grupo Sala Tecleras color Canal

A Purísima Rojo 51

B Capilla Azul 52

C Candelaria Amarillo 53

D María Magdalena Verde 54