Diseño de muestreo

En la teoría del muestreo de poblaciones finitas , un diseño de muestreo especifica para cada muestra posible su probabilidad de ser extraída.

Matemáticamente , un diseño de muestreo se denota por la función${\displaystyle P(S)}$lo que da la probabilidad de extraer una muestra${\displaystyle S.}$

Durante el muestreo de Bernoulli ,${\displaystyle P(S)}$es dado por

${\displaystyle P(S)=q^{N_{\text{muestra}}(S)}\times (1-q)^{(N_{\text{pop}}-N_{\text{muestra}}(S))}}$

donde para cada elemento${\displaystyle q}$es la probabilidad de ser incluido en la muestra y${\displaystyle N_{\text{muestra}}(S)}$es el número total de elementos en la muestra${\displaystyle S}$y${\displaystyle N_{\text{pop}}}$es el número total de elementos en la población (antes de que comenzara el muestreo).

En la investigación empresarial, las compañías a menudo deben generar muestras de clientes, empleados, etc., para recabar sus opiniones. El diseño de la muestra también es un componente fundamental de la investigación de mercado y de la investigación de empleados para muchas organizaciones. Durante el diseño de la muestra, las empresas deben responder preguntas como:

• ¿Cuál es la población relevante, el marco de muestreo y la unidad de muestreo?
• ¿Cuál es el margen de error adecuado que se debe alcanzar?
• ¿Cómo deben evaluarse y equilibrarse el error de muestreo y el error ajeno al muestreo?

Estas cuestiones requieren una consideración muy cuidadosa, y se ofrecen buenos comentarios en varias fuentes. ^{[ 1 ] [ 2 ]}

• Muestreo de Bernoulli
• Probabilidad de muestreo
• Muestreo (estadística)

• Sarndal, Swenson y Wretman (1992), Model Assisted Survey Sampling, Springer-Verlag, ISBN 0-387-40620-4