LOM PA L A B R A D E L A L E N G U A Y M A N A Q U E S I G N I F I C A SOL

Canales Cern, Manuel

Metodologas de investigacin social [texto impreso]
/ Manuel Canales Cern .1 ed. Santiago:
Lom Ediciones, 2006.
408 p.; 21x16 cm.- (Coleccin Ciencias Humanas)

ISBN : 956-282-840-9
R.P.I. : 156.786

1. Ciencias Sociales Investigaciones - Metodologa

2. Sociologa I. Ttulo. II. Serie.

Dewey : 001.42 . cdd 21

Cutter : C212m

Fuente: Agencia Catalogrfica Chilena

LOM Ediciones
Primera edicin, 2006.
I.S.B.N.: 956-282-840-9

Registro de Propiedad Intelectual N: 156.786

Motivo de cubierta: Archimedes, del pintor Domenico Fetti, 1620. Imagen obtenida de archivo Wikipedia,
segn las clusulas de la licencia Wikimedia Commons (http://commons.wikimedia.org/wiki/Portada).

Diseo, Composicin y Diagramacin:

Editorial LOM. Concha y Toro 23, Santiago
Fono: (56-2) 688 52 73 Fax: (56-2) 696 63 88

Impreso en los talleres de LOM

Miguel de Atero 2888, Quinta Normal
Fono: 774 43 50 / 786 35 68
web: www.lom.cl
e-mail: lom@lom.cl

Impreso en Santiago de Chile.

 MANUEL CANALES CERN
EDITOR

Metodologas de
investigacin social
Introduccin a los oficios
Metodologas de investigacin social
Introduccin a los oficios

MARCELO ARNOLD
MANUEL VIVANCO
ALVARO GANZA
PABLO COTTET
MANUEL CANALES
TOMS RODRGUEZ VILLASANTE
ALFREDO GHISO
RODRIGO ASN
JUAN JIMNEZ
RODRIGO MRQUEZ
SONIA MONTECINOS
SERGIO MARTINIC
 Diseo de muestras en
investigacin social
El muestreo es la ciencia y arte de medir y controlar la confiabilidad de la informa-
cin estadstica a travs de la teora de la probabilidad.
W. E. Deming. Some Theory of Sampling. Nueva York: Wiley, 1950.

DR. MANUEL VIVANCO ARANCIBIA*

1. Presentacin
La matemtica es una ciencia que estudia el nmero y la forma. Valiente
(1996) la divide en aritmtica, lgebra, anlisis, geometra, mecnica, probabili-
dad, lgica y estadstica.
La estadstica es un saber compuesto de un conjunto de teoras, mtodos y
tcnicas cuyo propsito es conocer datos numricos y formas funcionales relati-
vos a un agregado de elementos. Se pueden realizar mltiples clasificaciones en
el mbito de la estadstica. Tradicionalmente esta diversidad se establece en
trminos dicotmicos.
Paramtrica / No Paramtrica
Terica / Aplicada
Bayesiana / No Bayesiana
Descriptiva / Inferencial
La estadstica inferencial es un conocimiento formalizado que estudia fen-
menos de azar y las condiciones y lmites de su control. Rene dos disciplinas
independientes que mantienen entre s nexos y complementos.
Teora de la Decisin
Teora de la Estimacin
La teora de la estimacin trata de reglas y procedimientos que empleando
informacin parcial permiten inferir el valor de un parmetro poblacional des-
conocido. La teora de la estimacin es el cuerpo terico en que se sustenta el
diseo de muestras probabilstico.

*
Dr. en Sociologa.

141
 El diseo de muestras es un campo de conocimiento legitimado recientemen-
te. La teora de la estimacin accede a su madurez con la publicacin de un
artculo de Jerzy Neyman (1934) en la revista de la Royal Statistical Society. El
argumento central es que la seleccin aleatoria de elementos resulta condicin
necesaria para formular una teora cientfica que facilite la inferencia de datos
muestrales a valores poblacionales.
A juicio de Azorn et al. (1986) durante los aos 1949-1954 se consolida el
proceso iniciado con Neyman al publicarse textos clsicos an vigentes en
diseo de muestras. Cabe destacar Yates F. (1949), Deming W.E. (1950), Hansen
M. H; Hurwitz W. N., Madows W. G. (1953) y Sukhatme P.V. (1954).
Un indicador del desarrollo institucional del diseo de muestras
probabilstico es la fundacin en 1971 de la International Asociation of Sampling
Statisticians. A principios del siglo XXI cuenta con cerca de 2000 miembros de
ms de 100 pases.

2. La seleccin aleatoria
La madurez de la teora de la estimacin est asociada a la incorporacin del
azar como procedimiento apropiado para seleccionar los elementos que com-
pondrn la muestra. Se demuestra que slo en estas condiciones se puede conocer
el grado de precisin que asumirn las estimaciones del parmetro poblacional.
La seleccin aleatoria de elementos no garantiza la precisin de las estimacio-
nes. Slo permite controlar la incertidumbre inherente a la inferencia estadstica.
La seleccin aleatoria es condicin para obtener muestras representativas.
Sin embargo, una muestra aleatoria no necesariamente es una muestra repre-
sentativa.
Kish (1972) en una imagen clsica seala que una muestra debe ser una
maqueta de la poblacin origen de la muestra. En trminos formales significa
que una muestra es representativa si la distribucin de frecuencias de las varia-
bles es anloga en la poblacin y en la muestra.
Para estudiar el cumplimiento de esta condicin se compara en ciertas varia-
bles la distribucin en la poblacin y en la muestra. Las variables utilizadas
para evaluar la representatividad se denominan marcadoras y generalmente
son de carcter sociodemogrfico. No existe un criterio convencional respecto al
grado de similaridad necesario entre variables marcadoras y muestrales para
asegurar que una muestra es efectivamente representativa. Tampoco existe una
definicin precisa de la nocin de representatividad.
La seleccin aleatoria no supone que el grado de imprecisin asociado a las
estimaciones sea necesariamente pequeo o, en otros trminos, que la muestra

142
sea representativa. S permite conocer la magnitud de la imprecisin que se
comete al inferir a la poblacin origen de la muestra.

3. Muestreo probabilstico
En funcin del criterio de seleccin de los elementos que componen la mues-
tra se distingue entre muestreo probabilstico y no probabilstico.
El muestreo probabilstico infiere a la poblacin utilizando como gua los
preceptos de la teora de la estimacin. Se caracteriza porque todos los elemen-
tos tienen una probabilidad conocida y distinta de cero de ser parte de la muestra.
Se pueden diferenciar los muestreos probabilsticos en funcin de diversos crite-
rios. En particular consideraremos dos alternativas.
La unidad de muestreo la compone un slo elemento versus las unidades
de muestreo son conjuntos de elementos. El primer diseo refiere a muestreos
simples y el segundo a diseos complejos o por conglomerados.
La probabilidad de seleccin es igual para los elementos versus probabilidad
de seleccin desigual para los distintos elementos. En el primer caso se trata de
diseos autoponderados y en el segundo de diseos que requieren ponderacin.
En consideracin a lo anterior, se presentarn brevemente los diseos
probabilsticos de uso corriente.

3.1. Muestreo aleatorio simple

Se trata de un procedimiento de seleccin elemental fundado en el puro azar.
En s mismo no es una estrategia o un diseo muestral. Sin embargo es la base en
la que se sustentan todos los diseos muestrales. Se caracteriza porque los ele-
mentos estn listados y la seleccin se realiza mediante un procedimiento
aleatorio segn el nmero de casos previamente definido. Procedimiento en que
la unidad de muestreo consta de un elemento que es la unidad de anlisis.
Autoponderado porque todos los elementos tienen la misma probabilidad de
ser elegidos.

3.2. Muestreo estratificado

Un estrato est compuesto por un subconjunto de elementos de la muestra
homogneo respecto al carcter que se estudia. La seleccin de elementos se
realiza despus de establecidos los estratos y asignado cada elemento al estrato
de pertenencia. En cada estrato la seleccin se realiza mediante muestreo aleato-
rio simple.

143
 Cabe distinguir tres tipos de afijacin en muestreo estratificado. La afijacin
dice relacin con el procedimiento de distribucin de elementos entre los estratos.
3.2.1. Afijacin igual, asigna el mismo nmero de elementos a cada estrato.
3.2.2. Afijacin proporcional, el tamao de cada estrato de la muestra es proporcional
al tamao del estrato en la poblacin.
3.3.3. Afijacin ptima, el tamao de los estratos vara en funcin de la varianza de
cada uno de ellos o del costo de stos.
El muestreo estratificado con afijacin proporcional es autoponderado. Los
dems requieren el clculo de coeficientes de ponderacin. En muestreo
estratificado la unidad de muestreo es un slo elemento que es la unidad de
anlisis.

3.3. Muestreo por Conglomerados

Un conglomerado est compuesto por un grupo de elementos. Dos princi-
pios rigen la formacin de conglomerados. Heterogeneidad de los elementos
dentro del conglomerado y homogeneidad de los conglomerados entre s. La
seleccin de elementos se realiza despus de establecidos los conglomerados y
asignado cada elemento a su conglomerado de pertenencia.
Los conglomerados son parecidos entre s, por tanto se seleccionan slo
algunos para conformar la muestra. No se requiere de la lista de todos los
elementos de la poblacin, slo el listado de elementos de los conglomerados
elegidos.
En muestreo por conglomerados la unidad de muestreo y la unidad de an-
lisis pueden coincidir. Sin embargo, normalmente la unidad de anlisis son los
elementos que componen el conglomerado.
No hay razones tericas que impidan que un diseo por conglomerados sea
autoponderado. En la prctica suelen ser diseos desproporcionados que re-
quieren ponderacin.
Caben varias distinciones en el mbito del muestreo por conglomerados. La
ms relevante dice relacin con el submuestreo en los conglomerados. Esta dis-
tincin es interesante porque el diseo de conglomerados con submuestreo da
lugar al muestreo por etapas. El muestreo por etapas es mbito de los diseos
complejos.
3.3.1. Conglomerados monoetpicos
La unidad primaria de muestreo es un conglomerado compuesto de varios
elementos. Se miden todos los elementos del conglomerado elegido. Es decir,

144
no se ejecuta submuestreo. La seleccin de elementos en los conglomerados que
componen la muestra se realiza mediante muestreo aleatorio simple.
3.3.2. Conglomerados polietpicos
El muestreo por etapas bsicamente consiste en realizar submuestreo en dis-
tintos conglomerados y en etapas sucesivas. En cada etapa el conglomerado a
submuestrear es distinto al conglomerado de la etapa anterior. Se trata de un
muestro jerrquico donde amerita distinguir entre unidad primaria de muestreo,
unidad secundaria de muestreo y as sucesivamente. En cada etapa se puede
aplicar distinto procedimiento de seleccin segn convenga al tipo de conglo-
merado que se trate.
A fin de ilustrar el esquema del diseo por etapas se presenta un ejemplo.
Primera etapa seleccin de municipios que corresponden a las unidades prima-
rias de muestreo. En la segunda etapa las unidades secundarias seleccionadas
son zonas censales dentro de los municipios elegidos. En la tercera etapa las
unidades de muestreo son viviendas incluidas en las zonas censales seleccio-
nadas. Finalmente las unidades ltimas de muestreo son personas que habitan
en las viviendas elegidas.
En este ejemplo la seleccin de elementos en cada una de las cuatro etapas se
puede realizar mediante muestreo aleatorio simple. La ltima etapa requerira
la utilizacin de la tabla de Kish.

4. Muestreo no probabilstico
Las muestras probabilsticas poseen una fundada base terica pero para su
realizacin se deben cumplir exigencias propias de la seleccin aleatoria que no
son fciles de satisfacer. En particular, repeticin de visitas para entrevistar
elementos que siendo parte de la muestra son de difcil acceso. La investigacin
aplicada suele a menudo utilizar muestras no probabilsticas pese a que no es
posible conocer la precisin con que se realiza la estimacin del parmetro
poblacional. Se caracterizan por la presencia del juicio personal del muestrista
en la estrategia de seleccin de elementos.
El muestreo no probabilstico ms elaborado es el muestreo por cuotas. El
muestrista decide qu variables de cuota se utilizarn, el tamao de cada cuota
y el nmero de cuotas que comprende la muestra. Se distingue porque la respon-
sabilidad de elegir qu elementos compondrn la muestra la asume el
entrevistador. El muestrista genera la estructura de cuotas que componen la
muestra y el entrevistador decide qu elementos componen cada una de las
cuotas que le corresponde completar.

145
 La estrategia para obtener una muestra representativa es anloga en muestreo
por cuotas y en estratificado con afijacin proporcional. Si el entrevistador fuera
un dispositivo rigurosamente aleatorio los resultados seran semejantes.
Para ilustrar el procedimiento se presentar un ejemplo. En primer trmino
se definen las variables de cuota. Normalmente variables con distribucin cono-
cida segn fuentes secundarias. Por ejemplo, sexo y edad disponibles como dato
censal a nivel comunal. Conocida la informacin a nivel de la poblacin se
establece una distribucin en la muestra proporcional a los valores de las celdas
en la poblacin. Las tablas siguientes informan de la distribucin en la pobla-
cin y en la muestra.

Tabla 1. Distribucin en la poblacin

N = 1.000.000
Edad Sexo Total
Hombres Mujeres
15-24 150.000 130.000 280.000
25-39 180.000 150.000 330.000
40-54 105.000 115.000 220.000
55 y ms 80.000 90.000 170.000
Total 515.000 485.000 1.000.000

Tabla 2. Distribucin en la muestra

N = 1.000

Edad Sexo Total

Hombres Mujeres
15-24 150 130 280
25-39 180 150 330
40-54 105 115 220
55 y ms 80 90 170
Total 515 485 1.000

La vida ensea que a cada entrevistador no se le debe asignar una cuota gran-
de de elementos. Si ste no opera aleatoriamente, generar un sesgo en la muestra.
Las cuotas se forman proporcionales a la distribucin de las variables en la mues-
tra. La tabla 3 presenta los elementos que corresponden a un entrevistador.

146
 Tabla 3. Cuotas asignadas a un entrevistador
N = 50

Edad Sexo Total

Hombres Mujeres
15-24 7 6 13
25-39 9 8 17
40-54 6 5 11
55 y ms 4 5 9
Total 26 24 50

5. Tamao de la muestra
El tamao de la muestra corresponde al nmero mnimo necesario para esti-
mar el parmetro poblacional asumiendo restricciones de carcter subjetivo y
objetivo.
Las restricciones subjetivas las impone el muestrista. En particular, estable-
cer el error mximo admisible y el nivel de confianza asociado a la estimacin.
Factores objetivos a considerar son recursos econmicos, heterogeneidad de la
poblacin y procedimientos de anlisis a utilizar. Residualmente el tamao de
la poblacin.

5.1. Recursos econmicos

Respecto a la incidencia de los recursos amerita sealar que el costo de cada
unidad de muestreo puede ser incluido como informacin en el clculo del ta-
mao de la muestra. En efecto, distintas funciones de costo se han desarrollado
con el propsito de considerar la variable econmica en el tamao de la muestra.
Las funciones de costo suelen ser muy especficas en los gastos y poco aplica-
bles en casos concretos o, por el contrario, incluyen tems de gastos muy generales
que aportan poca informacin para el clculo del tamao de la muestra en una
situacin concreta. Detalles a este respecto en Kish (1972) y Cochran (1995).

5.2. Procedimientos de anlisis

La relacin del tamao de la muestra y los procedimientos de anlisis es
directa. Los procedimientos de anlisis univariables no presentan en gene-
ral exigencias especiales respecto al nmero de observaciones necesarias

147
para su implementacin. Sin embargo, los procedimientos bivariables y
multivariables slo son aplicables a partir de un nmero mnimo de observacio-
nes. As, por ejemplo, en el mbito bivariable el uso de coeficientes de correlacin
paramtricos requieren al menos de treinta casos y en anlisis multivariable las
exigencias pueden ser tan amplias como en anlisis factorial que segn Comrey
(1985) requiere de trescientos casos para resultados confiables o en regresin
mltiple procedimiento stepwise que segn Tabachnik et al. (1989) necesita un
nmero de casos cuarenta veces superior al nmero de variables independien-
tes incluidas en el modelo.

5.3. Heterogeneidad de la poblacin

El tamao de la muestra es particularmente sensible a la heterogeneidad de
la poblacin. El sentido comn indica que en poblaciones heterogneas se re-
quiere de mayor nmero de casos para estimar el parmetro poblacional que en
poblaciones con valores homogneos. La dispersin se mide con la varianza lo
que permite concluir que para inferencias con la misma precisin poblaciones
con varianzas grandes requieren muestras mayores que poblaciones con
varianzas pequeas. La varianza de la poblacin es un valor por definicin
desconocido. Se utilizan diversos modos de aproximarse a ste.

5.4. Frmula del tamao de la muestra

El clculo del tamao de la muestra se realiza mediante una frmula que en
una ecuacin relaciona dos trminos. La incgnita es el nmero de elementos a
encuestar y el trmino que permite despejar la incgnita est compuesto por los
factores que condicionan el tamao de la muestra. Entre estos factores cabe desta-
car el nivel de confianza, el error mximo admisible, una medida de la dispersin
de los datos, el costo de la unidad de muestreo y el tamao de la poblacin.
La frmula a utilizar ser distinta segn el procedimiento de seleccin de
elementos y el resultado de la aplicacin de la frmula variar segn los valores
que asuman los factores que condicionan el tamao de la muestra.
Se presentan a continuacin frmulas generales para calcular tamao de la
muestra en la estimacin de media y proporcin poblacional.
Tamao de muestra. Medias

n z 2 s2 Correccin
Coeficiente Confianza *x Varianza
n = (1 ) x / 22 = poblaciones *x
N e finitas
Error mximo admisible

148
 Tamao de muestra. Proporciones

n z 2 ( p x q)
n = (1 ) x / 2 2
N e
Respecto a medias

n = Tamao de la muestra.
N = Tamao de la poblacin.
= Valor del coeficiente de confianza elevado al cuadrado. Corres-
ponde a un valor de la curva normal asociado al nivel de confian-
za con que se har la estimacin.
e2 = Valor del error mximo admisible - elevado al cuadrado. Corres-
ponde a la mitad de amplitud del intervalo de confianza.
s2 = Varianza de la poblacin. Valor desconocido y que se reemplaza
por una aproximacin.
n
(1
N
) = Correccin para poblaciones finitas.

La frmula para n de proporciones incluye los mismos trminos. Ntese que

la varianza se mide mediante el producto p*q.
p = proporcin de la categora que se est midiendo
q = (1-p)

5.5. Tamao de la muestra y error mximo admisible

En principio resulta lgico elegir el mnimo error asociado a la estimacin.
Por qu no se hace siempre de este modo? Porque el error est asociado al
tamao de la muestra.
En efecto, aumentos en el tamao de la muestra generan incremento en la
precisin de las estimaciones y, por el contrario, muestras pequeas dan lugar a
estimaciones imprecisas. Se verifica dependencia entre error y tamao muestral.
Esta dependencia no es proporcional.
La tabla 4 permite cuantificar la relacin entre error en la estimacin y tama-
o de la muestra. Se asume que la estimacin se realiza con 95,5% de confianza
y que la varianza es p = q = 0,5.

149
 Tabla 4. Tamao de muestra y error mximo admisible

Error (%) n
0,1 1.000.000
0,5 40.000
1,0 10.000
1,5 4.444
2,0 2.500
2,5 1.600
3,0 1.111
3,5 816
4,0 625
5,0 400

La tabla evidencia que para errores elevados la muestra es pequea y para

errores pequeos la muestra asociada es grande. Por ejemplo, un error de 5%
corresponde a una muestra de 400 casos y un error 1% requiere de 10.000 casos.
En consecuencia, para un error cinco veces menor se requiere de 9.600 casos ms
o una muestra 25 veces ms grande.
Los tamaos de error utilizados habitualmente son en torno a 3%. Ntese,
sin embargo, que una unidad porcentual de diferencia en el error genera diferen-
cias importantes en el tamao de la muestra. Por ejemplo, un error de 2% est
asociado a 2.500 casos y un error de 3% a 111 casos.
La relacin entre error mximo admisible y tamao de la muestra no es li-
neal. Su representacin es una curva como lo evidencia la figura 1. Ntese que a
partir del 2% de error el tamao de la muestra aumenta enormemente, generan-
do un mnimo beneficio en la disminucin del error. El investigador se encuentra
ante un pie forzado que debe resolver a fin de equilibrar tamao de muestra y
error mximo dispuesto a asumir en la inferencia.

150
 Figura 1. Tamao de muestra y error mximo admisible

5,0

4,0
3,5
Error (%)

3,0
2,5
2,0
1,5
1,0
0,5
2.500 10.000
Tamao de Muestra

Segn la figura, dados un nivel de confianza constante 95,5% y varianza p =

q = 0,5 una muestra asociada a un error del 2% necesita 2.500 casos para inferir
a la poblacin. Bajo los mismos supuestos una muestra con un error de 1%
(mitad de error) requiere de 10.000 casos. Se evidencia que se necesitan muestras
sustantivamente mayores para un nivel de confianza constante y el mismo pro-
cedimiento de seleccin de casos.

5.6. Tamao de la muestra y tamao de la poblacin

Contra lo que sugiere el sentido comn, el tamao de la muestra no se ve
sustantivamente influenciado por el tamao de la poblacin origen de la mues-
tra. No existe un aumento de la muestra proporcional al aumento del tamao de
la poblacin. En poblaciones grandes superiores a 100.000 casos la influen-
cia del tamao de la poblacin es nfima en el clculo del tamao de la muestra.
Sin embargo en poblaciones de tamao medio la influencia es moderada y en
poblaciones pequeas inferiores a 5.000 el tamao de la muestra se ve
influenciado por el tamao de la poblacin. En poblaciones pequeas es necesa-
rio muestrear a una parte importante de la poblacin para obtener la precisin
deseada. Normalmente es preferible realizar un censo de la poblacin.
A modo de ejemplo para poblaciones con 100.000 10.000.000 de elementos,
una muestra de 800 unidades permite inferencias con precisin satisfactoria.

151
 Azorn et al. (1986) demuestran que la relacin de n con N da lugar a una
curva que pasa por el origen y es asntota paralela al eje de abscisas a distancia
n de ste. La figura 2 presenta grficamente la relacin de n con N.

Figura 2. Tamao de muestra y tamao de poblacin

La curva evidencia que a partir de cierto valor de n incrementos de N no

inciden en el tamao de n.

5.7. Tamao de la muestra y nivel de confianza

En la inferencia de la muestra a la poblacin no hay certezas. En consecuen-
cia resulta necesario conocer la precisin con que se estima el parmetro
poblacional.
El nivel de confianza de la estimacin es decisin del muestrista y funcin de
la precisin con que se desea estimar el valor de la poblacin.
Convencionalmente se utilizan niveles de confianza de 95,5% y 99,7%. Re-
sulta evidente plantearse por qu no se elige el mximo nivel posible. Por qu
no inferir con 100% de confianza? La respuesta dice relacin con el tamao de la
muestra. La tabla 5 ilustra el cambio del tamao de la muestra para dos niveles
de confianza y distintos niveles de error. Se supone que se aplica el mismo
procedimiento de seleccin y se mantiene constante la varianza de la poblacin.
Por ejemplo, para una probabilidad de error convencionalmente utilizada de
3% y para niveles de confianza de 95,5% y 99,7% el tamao de la muestra

152
aumenta de 1.111 a 2.500. El aumento del nivel de confianza en 4,2% da lugar a un
aumento en el tamao de la muestra de 2,25 veces. El beneficio en la precisin no
es sustantivo, sin embargo, los costos en trabajo de campo ms que se duplican.

Tabla 5. Tamao de muestra y nivel de confianza. Varianza p = q = 0,5

Error (%) Nivel de Confianza (%) n

1,0 95,5 10.000
99,7 22.500
2,0 95,5 2.500
99,7 5.627
2,5 95,5 1.600
99,7 3.600
3,0 95,5 1.111
99,7 2.500
4,0 95,5 625
99,7 1.406

5.8. Tamao de la muestra y parmetros

Una encuesta por muestreo indaga respecto a un aspecto de la realidad uti-
lizando normalmente un cuestionario estructurado que incluye un sinnmero
de preguntas. Para el clculo del tamao de la muestra no se pueden considerar
todas y cada una de las preguntas incluidas en el instrumento de medida. Por
exceso se genera el absurdo de clculo de tamao de muestra para cada pregun-
ta. En la prctica se calcula la muestra considerando los antecedentes varianza
y las expectativas nivel de confianza y error mximo admisible referidos a
una pregunta o varias preguntas que se consideren relevantes en relacin al
tema de estudio.

5.9. La limitacin del tamao de la muestra

El tamao de la muestra calculado est condicionado por las restricciones
que se ponen en la frmula. En virtud de que uno de los trminos de la frmula
no se conocer, el valor de n slo es una referencia respecto al nmero de casos
necesarios para inferir segn las exigencias del investigador.

153
 Ntese que la varianza poblacional es parte de la frmula y nunca ser cono-
cida. En variables medidas a nivel intervalo o razn se obtiene una aproximacin
basndose en datos secundarios o en la aplicacin de un pretest. Si la variable es
dicotmica la varianza es pxq y normalmente se asigna p = q = 0,5. Solucin
conservadora porque manteniendo los dems trminos de la ecuacin constan-
tes estos valores generan el mayor tamao de muestra posible.
En la prctica sucede que si se ha supuesto una varianza mayor a la existente
en la poblacin, el tamao calculado permitir inferencias con mayor precisin
que las esperadas. Por el contrario, si el valor de la varianza en la frmula es
inferior al que corresponde a la poblacin la estimacin se realizar con menor
precisin que la prevista por el investigador.
A modo de ejemplo supngase que se asignan por informacin secundaria
los valores p = 0,7 y q = 0,3. Se opera en la frmula y resulta n = 600. Si los valores
en la poblacin para p y q son 0,1 y 0,9 el nmero de la muestra ceteris paribus es
ms grande que el necesario para cumplir con el nivel de confianza y error
admisible planteados. La muestra apropiada ser menor a 600 casos. Se estn
gastando recursos ms all de lo necesario.
Naturalmente se puede plantear el caso inverso: asignar a p y q valores que
den lugar a una muestra menor que la necesaria para satisfacer las exigencias
de precisin en la estimacin. En este caso se inferir con menor nivel de con-
fianza y mayor error mximo admisible que el exigido.
Dado que el valor de la varianza en la poblacin es desconocido el clculo de
n es slo una referencia. El valor de n exacto para inferir con la precisin defini-
da por el investigador nunca se conocer.

5.10. Decisiones subjetivas en clculo tamao de muestra

El clculo del tamao de la muestra involucra aspectos tcnicos y subjetivos.
Los aspectos tcnicos dicen relacin con el procedimiento de seleccin y, por
extensin, con la viabilidad de acceder a las unidades de muestreo segn costos
y cronograma. Los aspectos subjetivos tienen que ver con opciones que se sus-
tentan en la opinin del muestrista.
En el mbito de decisiones del muestrista cabe destacar el nivel de confianza
asociado a la estimacin y el error mximo admisible. Los valores que asuman
incidirn en el tamao de la muestra.
Respecto al nivel de confianza es una convencin asignar como valores
apropiados 95,5% y 99,7 % de confianza. En relacin con el error mximo
admisible se utilizan valores en torno a 3%. El sustento es ms uso consuetu-
dinario que razones sustantivas. De hecho en ciertos contextos los valores

154
sealados pueden resultar una imposicin excesiva y en otros ser claramente
insuficientes.
La dificultad de una decisin apropiada para cada caso dice relacin con la
falta de claridad respecto a las consecuencias prcticas que implica la eleccin
de un nivel de confianza y error mximo admisible determinado. Se trata de una
materia abierta a la subjetividad de quien calcula el tamao de la muestra.
A fin de ilustrar la influencia en el tamao de la muestra de decisiones distin-
tas respecto al nivel de confianza y el error de mximo admisible, se presentan
dos ejemplos. Las tablas 6 y 7 ilustran el tamao de muestra que se obtiene
considerando alternativas distintas y razonables.

Tabla 6. Tamaos de muestras distintos con decisiones del muestrista

ajustadas a lo convencionalmente aceptado

Decisiones Muestrista 1 Muestrista 2

Proporcin asignada 0,75 0,80
Error mximo admisible 0,05 5% 0,02 2%
Nivel de confianza 95,5% 2 99,7% 3
n 300 3.600

Tabla 7. Tamaos de muestras iguales con decisiones del muestrista

ajustadas a lo convencionalmente aceptado

Decisiones Muestrista 1 Muestrista 2

Proporcin asignada 0,5 0,5
Error mximo admisible 0,04 4% 0,06 6%
Nivel de confianza 95,5% 2 99,7% 3
n 625 625

La claridad que sera propio de las frmulas se ve opacada por la subjetivi-

dad inherente a decisiones que son determinantes en el resultado.
El clculo del tamao de la muestra no tiene una solucin nica y verdadera.
El clculo del nmero de elementos a muestrear tiene una dimensin tcnica y
otra imprecisa que dice relacin con la experiencia, capacidad e intuicin del
muestrista.

155
6. Intervalo de confianza
El intervalo de confianza ha recibido varios nombres, evidenciando la
nomenclatura equvoca an presente en teora de muestras. Las distintas
denominaciones utilizadas a este respecto como en relacin a otros aspectos
revela la relativa inmadurez del saber acumulado en diseo de muestras,
cuestin que dice relacin con un desarrollo intenso en un periodo corto de
tiempo.
El intervalo de confianza ha sido llamado error muestral o error de muestreo.
Confusin semntica grave porque el intervalo de confianza es un valor conoci-
do y el error muestral es una magnitud que no se conoce. Se denomina con
propiedad error muestral a la diferencia entre el estimador y el parmetro. Tam-
bin ha sido denominado error de estimacin y error de precisin. Ntese que
esta ltima denominacin resulta lgica en el sentido que el rango de amplitud
del intervalo est relacionada con diversos grados de precisin.

6.1. Qu es un intervalo de confianza

Para estimar el valor del parmetro poblacional existen dos alternativas. A
saber, definir un estadstico como estimacin del parmetro poblacional o esta-
blecer en torno a un estadstico un intervalo de confianza para estimar en
trminos probabilsticos el parmetro.
El primer procedimiento se conoce como estimacin puntual y no se utiliza.
Tiene como limitacin el desconocimiento del error asociado a la estimacin del
parmetro.
La forma habitual de estimar el valor poblacional es mediante un intervalo
compuesto de una cota superior e inferior que permite inferir con una probabili-
dad conocida respecto al valor del parmetro. El intervalo de confianza es un
intervalo numrico construido en torno al estadstico muestral.

6.2. Confianza en la estimacin

Tericamente el nivel de confianza se sustenta en la distribucin normal. Los
valores de los coeficientes de confianza dicen relacin con reas asociados a
stos en la curva normal. En este contexto resulta habitual referirse al nivel de
confianza en trminos de dos sigma o tres sigma. La letra griega sigma () hace
referencia a la desviacin tpica de una variable.
En la curva normal las reas corresponden a probabilidades. El rea de pro-
babilidad comprendida entre dos intervalos puede indicarse segn el nmero

156
de desviaciones tpicas que comprende. La figura 3 ilustra el nexo entre reas de
la curva y desviaciones tpicas o .

Figura 3. reas de curva normal y desviaciones tpicas

En particular, una desviacin tpica incluye un rea correspondiente al 68,3%

de la curva, dos desviaciones tpicas incluyen un rea correspondiente al 95,5% y
tres desviaciones tpicas incluyen el 99,7% del total del rea de la curva. La tabla
8 es un resumen que vincula valores y la probabilidad correspondiente.

Tabla 8. Desviaciones tpicas y probabilidades en la curva normal

Valores de la distribucin normal Probabilidad comprendida

en el intervalo
1 0,683
2 0,955
3 0,997

El nivel de confianza tiene asociado un coeficiente de confianza. Para ilus-

trar la asociacin entre nivel de confianza y coeficiente de confianza se presentan

157
los valores relativos a una distribucin normal. Ntese que un coeficiente de
confianza es un valor de la desviacin tpica en la curva normal estandarizada.

Tabla 9. Coeficiente de confianza y nivel de confianza

Coeficiente de confianza 1,64 1,96 2 2,58 3

Nivel de confianza 90% 95% 95,5% 99% 99,7%

Un nivel de confianza de 95% asignada a un intervalo de confianza se en-

tiende como que la extraccin de sucesivas muestras da lugar a que el 95% de los
parmetros se encuentre en el intervalo definido.
Un error comn es sealar que existe un 95% de confianza de que el intervalo
incluya al parmetro de la poblacin o que la probabilidad que el parmetro est
en el intervalo es 0,95. En rigor, si el parmetro est en el intervalo, la probabili-
dad de pertenecer a ste es 1 y si no est, la probabilidad de estar es 0.
Ntese que si el coeficiente de confianza es grande, la amplitud del intervalo
ser mayor y si el coeficiente de confianza es pequeo, la amplitud del intervalo
ser menor.
- Intervalos anchos baja precisin estn asociados a niveles de confianzas
altos.
- Intervalos angostos alta precisin estn asociados a niveles de confianza
pequeos.
En efecto, resulta razonable que se tenga mucha confianza en que el parmetro
poblacional pertenezca a un intervalo con cotas 20% y 80% y, por el contrario, es
lgico que se tenga poca confianza en que el parmetro poblacional pertenezca
a un intervalo con cotas 48% y 52%.

6.3. Construccin del IC

La mayora de los intervalos se establecen mediante la misma metodologa.
El teorema de Chebychev permite formalizar la construccin del intervalo para
cualquier estadstico. El teorema se puede verbalizar aunque no es de fcil asi-
milacin. Dice as: la probabilidad de que una variable aleatoria asuma un valor
que difiera en valor absoluto de su esperanza matemtica menos que k veces la
desviacin tpica es mayor que uno menos el cociente de uno partido por el
cuadrado de k. Teorema que se puede formalizar en la siguiente expresin:

158
 1
P E ( ) K > 1 2
K

Desde el teorema de Chebychev puede construirse un intervalo para la me-

dia muestral segn la relacin

1
P K X +K 1 K 2
n n

Operando algebraicamente el intervalo de confianza para una media muestral,

asume la siguiente expresin

x z / 2 , x + z / 2
n n

En una muestra de tamao n definido el nivel de confianza en 95% se puede

afirmar que

s s
x 1,96 , x + 1, 96
n n

Es un intervalo de confianza para la estimacin de la media poblacional con

un nivel de confianza de 95%.
La amplitud del intervalo diferencia entre las cotas corresponde a la preci-
sin de la estimacin
Las cotas correspondientes al intervalo de confianza son las siguientes.
Cota superior:

s
x + z / 2
n

159
 Cota inferior:

s
x z / 2
n
El intervalo de confianza puede o no incluir al parmetro de la poblacin.
Ntese que en cada una de las muestras de tamao n obtenidas de una pobla-
cin con N elementos se puede calcular un estadstico y construir un intervalo.
El intervalo de confianza es un suceso aleatorio resultado de una experiencia
aleatoria. En consecuencia, el intervalo se interpreta en trminos que en un por-
centaje de las muestras posibles habitualmente 95,5% o 99,7% el intervalo
incluir el parmetro poblacional.
La construccin del intervalo permite confiar que dado un proceso aleatorio
es poco probable que precisamente el intervalo emprico obtenido no contenga el
valor del parmetro poblacional. En este entendido se concluye que el parmetro
poblacional est entre la cota superior e inferior del intervalo con cierto nivel de
confianza.

6.4. Intervalo de confianza de la proporcin

La proporcin es la expresin de un promedio en el contexto de variables
dicotmicas. La proporcin y la media tienen la misma estructura algebraica. En
ambos casos el numerador es el sumatorio de valores de la variable y el denomi-
nador el nmero de observaciones.
Las variables dicotmicas se distribuyen segn la ley binomial. Se demues-
tra que la distribucin binomial se aproxima a la ley normal, en particular, cuando
n tiende a infinito y p es un valor cercano a 0,5. Se acepta que hay convergencia
entre ambas distribuciones de probabilidad cuando tanto nxp como nxq asumen
valores superiores a 5.
El intervalo de confianza de proporciones y de medias se construyen utili-
zando el mismo sustento terico. A saber, teorema de Chebychev, teorema del
lmite central y ley normal. Realizando las operaciones y sustituciones corres-
pondientes se puede afirmar que en una muestra de tamao n y definido el nivel
de confianza en 95% la siguiente expresin

pq pq
p 1,96 , p + 1, 96
n n

160
 Es un intervalo de confianza para la estimacin del parmetro poblacional
con un nivel de confianza de 95%.

7. Ponderacin
Una muestra es autoponderada cuando todos los elementos han tenido la
misma probabilidad de pertenecer a la muestra. Muestras en que la probabili-
dad de seleccin no es equiprobable dan lugar a resultados sesgados. Se pondera
la muestra cuando sta no es autoponderada. La ponderacin se realiza previa
al procesamiento computacional de la informacin.
Para ponderar se considera el peso muestral de las unidades de muestreo.
Cada unidad tiene un peso muestral que corresponde al inverso de la probabili-
dad de seleccin de la unidad en la muestra. El peso muestral es un valor que
indica el nmero de unidades de la poblacin que son representadas por cada
unidad de la muestra.
Normalmente el peso muestral es un valor muy alto, dado que un elemento
de la muestra representa a miles de elementos de la poblacin. Supngase una
poblacin N = 2.000.000 y una muestra n = 1.000 elementos. El peso muestral
corresponde a N/n = 2.000. A saber, cada elemento de la muestra representa a
2000 elementos de la poblacin.
En los diseos autoponderados todos los elementos tienen el mismo peso. El
peso coincide con la frecuencia. El valor de la frecuencia es 1. En los diseos no
autoponderados se pueden plantear las siguientes situaciones. Siendo wi el peso
del elemento i-simo.
wi < 1. Se trata de elementos subrepresentados. La probabilidad de seleccin
ha sido para cada uno de ellos menor que 1. En consecuencia, la representacin
en la muestra es inferior a la que les corresponde segn el peso que tienen en la
poblacin. Se genera subrepresentacin en estratos de varianza pequea ho-
mogneos y costo de seleccin elevado caros o en dominios particularmente
grandes. El valor del coeficiente de ponderacin ser mayor que 1.
wi > 1. Se trata de elementos sobrerepresentados. La probabilidad de selec-
cin para cada elemento ha sido mayor que 1. Su peso en la muestra es superior
al que les corresponde considerado el peso en la poblacin. La sobrerrepre-
sentacin se utiliza con estratos de varianza grande heterogneos y precio de
seleccin econmico o en dominios relativamente pequeos. El valor del coefi-
ciente de ponderacin ser menor que 1.
El procedimiento de ponderacin puede aplicarse respecto a elementos indi-
viduales o agregados en unidades muestrales colectivas como ciudades,

161
comunas, zonas censales, etc. En general los resultados no difieren segn se
ponderen elementos individuales o agregados en colectivos. Para ilustrar el uso
de ponderadores se simula un ejemplo con datos ficticios.
La tabla 10 ensea informacin poblacional y muestral referida a dos reas
de distinto tamao. En ella se evidencia que el tamao en la muestra de cada
rea no es proporcional al tamao de cada una de stas en la poblacin.

Tabla 10. reas desproporcionadas en la muestra

reas N poblacional n muestral % poblacin % muestra

rea Chica 50.000 500 10% 50%
rea Grande 450.000 500 90% 50%

Cabe destacar que si se trata de inferir los resultados a cada rea en forma
independiente, la desproporcin entre poblacin y muestra no incide en la cali-
dad de la inferencia. Naturalmente la inferencia a rea Chica ser ms precisa
que a rea Grande en virtud del mayor tamao relativo de la muestra.
El tratamiento de las dos reas en forma conjunta para inferir a la pobla-
cin origen de la muestra requiere de la combinacin de los resultados
obtenidos en ambas reas. En este contexto se impone el clculo de
ponderadores a fin de devolver a la muestra el peso diferencial que tienen
ambas reas en la poblacin. Ntese que las fracciones de muestreo son dis-
tintas en cada una de las reas.
La fraccin de muestreo indica la probabilidad de seleccin de cada elemento
que compone la muestra. Se calcula mediante el cociente n/N. Realizados los
clculos las fracciones de muestreo son rea Chica = 0,01 y rea Grande = 0,001.
Se han desarrollado diversos procedimientos para ponderar. El coeficiente
de ponderacin tiene el propsito de devolver en muestras desproporcionadas a
cada estrato o dominio su proporcionalidad real.
Se presenta a continuacin un coeficiente sencillo de calcular e intuitivo de
comprender. El coeficiente de ponderacin se obtiene como cociente del porcen-
taje de elementos de la poblacin respecto al porcentaje de elementos de la
muestra. En particular, para el rea Chica y rea Grande los coeficientes de
ponderacin son los siguientes:

162
 Tabla 11.- Coeficiente de ponderacin

rea Coeficiente de ponderacin

rea Chica 10/50 = 0,2
rea Grande 90/50 = 1,8

Desde el punto de vista prctico la ponderacin de la muestra se realiza

computacionalmente. En el programa SPSS/PC versin Windows se pondera
con la instruccin Weight. La sintaxis correspondiente a este ejemplo se presen-
ta a continuacin.
COMPUTE PONDERA = 1.
IF (AREACHI EQ 1) PONDERA = 0.2.
IF (AREAGRA EQ 2) PONDERA = 1.8.
WEIGHT BY PONDERA.
Activada la instruccin, se otorga a cada una de las reas de la muestra el
peso que le corresponde segn su tamao relativo en la poblacin origen de la
muestra. Respecto al clculo del estadstico y la tabulacin conjunta de la infor-
macin amerita insistir que se efectan despus de ejecutada la instruccin que
genera una muestra ponderada.

8. Tratamiento de la no respuesta
El tamao de la muestra dice relacin con la precisin de la estimacin. La
aplicacin del instrumento de medida puede producir disminucin en las res-
puestas, haciendo imposible cumplir con el tamao previamente definido. En
tal caso no se podr inferir a la poblacin con el nivel de confianza establecido
en la frmula de n.
Bsicamente dos razones inciden en no satisfacer el tamao de muestra:
presencia de no elegibles en el marco muestral
presencia de no respuestas entre los elegibles
Los no elegibles corresponden a elementos que no son parte del universo en
estudio y figuran en el marco de la muestra. Por ejemplo, una encuesta a propie-
tarios de viviendas referida al pago de contribuciones cuyo marco muestral
incluya viviendas habitadas por arrendatarios.
Las no respuesta de los elegibles puede generarse por diversos motivos.
A saber, negarse a la aplicacin del instrumento de medida, no contacto

163
con el elemento que ha sido seleccionado, inhabilidad del seleccionado para
responder un cuestionario.
La incidencia en el tamao de la muestra de no elegibles incluidos y elegibles
que no responden puede ser compensada ajustando el tamao muestral. Para
estos efectos se consideran las estimaciones respecto a proporcin de elegibles
en el marco y proporcin de respuesta esperada.
As, por ejemplo, una muestra inicialmente estimada el 1.111 casos puede
ajustarse a una muestra definitiva de 1.461 casos supuestos, 95% de elegibles va
marco muestral 5% de no elegibles y tasa de respuesta de 80%. La frmula se
presenta a continuacin:

n
n =
(e)(r )
n = tamao de muestra ajustado
n = tamao de muestra original
e = proporcin de elegibles en el marco muestral
r = proporcin de respuesta esperada
El aumento del tamao de la muestra es una solucin de uso comn en el
tratamiento de la no respuesta. Resulta de fcil aplicacin; sin embargo, es de
dudosa eficacia. La no respuesta es un problema mayor que puede dar origen a
importante sesgo en la muestra. En particular, cuando las no respuestas respon-
den a un patrn identificable.
Se han establecido diversos procedimientos para el tratamiento de la no res-
puesta. Desde procedimientos relacionados con el trabajo de campo hasta
sofisticados modelos de simulacin.
No hay modo satisfactorio de tratamiento de la no respuesta. La ms eficaz
de las estrategias es disminuir la proporcin de no respuesta.
Los procedimientos mas comunes se basan en la ponderacin de las respues-
tas y la imputacin de valores.
La ponderacin se ejecuta asignando distinto valor a las respuestas obteni-
das. As, por ejemplo, se establecen los rasgos de los no respondentes y se asigna
ms peso a las respuestas de los sujetos de caractersticas parecidas a las que se
atribuyen a los no respondentes.
Se imputa un valor cuando se realiza una prediccin razonada del valor
ausente. Para predecir el valor omitido se utiliza informacin secundaria. En
particular, se detectan variables correlacionadas con la variable del valor omiti-
do y se establece el valor ms probable para el valor ausente.

164
9. Efecto de diseo
Se calcula el efecto de diseo para muestreo por conglomerados monoetpicos
y polietpicos. Para estos efectos se utiliza como patrn de referencia el muestreo
aleatorio simple. En particular porque es un muestreo equiprobable en que el
azar opera libremente, y el clculo de la varianza de la estimacin es matemti-
camente sencilla y lgicamente de fcil comprensin.
En general en muestreo por conglomerado la varianza de la estimacin es
mayor que la obtenida para el mismo nmero de casos en muestreo aleatorio
simple. En efecto, en muestreo por conglomerado monoetpico normalmente se
genera cierta homogeneidad en el conglomerado y en los muestreos polietpicos
en cada etapa se genera un sesgo agregado dado que se seleccionan slo algu-
nos elementos de la etapa anterior.
La frmula del efecto de diseo corresponde al cociente entre la varianza del
estimador del diseo por conglomerados y la varianza del muestreo aleatorio
simple. El valor del efecto de diseo es un valor positivo mayor que 1. El nume-
rador ser mayor que el denominador.
Para ejemplificar la utilizacin del efecto de diseo se acudir a un ejemplo
numrico.
Diseo por conglomerados s2 del estimador = 36
Diseo aleatorio simple s2 del estimador =24

s 2 conglomerado
Efd=
s 2 aleatorio simple
36
Efd= =1,5
24
Se interpreta que hay un 50% de aumento de la varianza del estimador en el
diseo por conglomerados respecto al aleatorio simple.
Calcular el efecto de diseo no es siempre posible. Los valores requeridos
para su clculo a menudo no estn disponibles. En la prctica se utiliza un
rango de fluctuacin que dicta la experiencia. Valores entre 1,5 y 3 resultan
apropiados para la mayora de los casos. En particular, el valor ser cercano a
1,5 cuando se supone que los conglomerados estn constituidos por elementos
heterogneos en las variables principales de investigacin y, por el contrario, se
asume un valor prximo a 3 cuando se conjetura que los conglomerados son
homogneos respecto a las variables en estudio. Es decir, se opta por valores

165
bajos cuando la varianza del estimador no es demasiado diferente a la
varianza obtenida mediante muestreo aleatorio simple y se eligen valores
altos cuando la varianza sera superior a la que correpondera con seleccin
aleatoria simple.
El coeficiente de correlacin rho () se utiliza para medir la correlacin entre
los elementos de los distintos conglomerados. Si el valor del coeficiente es igual
a cero implica que no hay correlacin entre los elementos de los conglomerados.
En consecuencia un valor = 0 significa que estos elementos presentan una
distribucin anloga a la generada mediante seleccin aleatoria simple. Por
tanto la varianza del estimador ser la misma y la precisin de la estimacin
igual en ambos diseos.

10. Criterios para escoger un diseo de muestra

El diseo muestral apropiado depende de diversos factores. A este respecto
no existe una norma definida.
El muestreo aleatorio simple slo puede tener inters cuando el listado de
elementos est disponible y la seleccin de los casos no requiere desplaza-
mientos. Por ejemplo, encuesta por muestreo a funcionarios de un organismo
estatal.
Considerando el factor costo, el diseo ms adecuado es el muestro por con-
glomerado. Sin embargo, exige ms elementos que el muestreo aleatorio simple
para igual nivel de precisin.
En general cuatro son los factores a considerar a propsito del diseo
adecuado:
marco muestral
precisin en la estimacin del parmetro
costo asociado a la medicin de la unidad de muestreo
dificultad de implementacin del diseo elegido
En la prctica, estos factores no operan en forma coordinada complicando
una decisin coherente y lgica.
Segn Rojas et al. (1998) se puede generar un orden jerrquico y expresarlo
en una tabla. Considerando los cuatro procedimientos de muestreo sealados y
los cuatro factores que inciden en la decisin del muestreo, se ha producido la
tabla 12.

166
 Tabla 12. Diseos de muestra ordenados segn
cuatro factores determinantes

Factores
Diseo Costo Precisin Marco Muestral Implementacin
Estratificado 4 1 4 3
Aleatorio 3 2 3 1
Monoetpico 1 4 1 2
Polietpico 2 3 2 4

Ninguna de las cuatro opciones de muestreo es la primera en todos los crite-

rios de evaluacin. Sin embargo, hay que tomar una decisin y utilizar slo una
de las opciones.
Qu diseo muestral elegir para mejor estimar el parmetro poblacional?
No existe una norma aplicable en toda circunstancia. Depende.

Bibliografa
AZORN ET AL. Mtodos y Aplicaciones del Muestreo, Alianza, Madrid, 1986.
COCHRAN, W. Tcnicas de Muestreo, Cecsa, Mxico D.F., 1995.
COMREY, A. Manual de Anlisis Factorial. Ctedra, Madrid, 1985.
DEMING, W. E. Some Theory of Sampling, Wiley, NuevaYork, 1950.
HANSEN, M. H; HURWITZ, W. N y MADOWS, W. G. Sample Survey Methods and
Theory, Wiley, Nueva York, 1953.
KISH, L. Muestreo de Encuestas, Trillas, Mxico D.F., 1972.
NEYMAN, J. On the two diferent aspects of the representativ method: the
method of stratified sampling and the method of purposive selection. Journal of
the Royal Statistical Society, No 97, 1934.
SUKHATME, P.V. Sample Theory of Surveys with aplications, FAO, Roma, 1954.
TABACHNIK ET AL. Using Multivariate Statistics, Harper Collins, Nueva York,
1989.
ROJAS ET AL. Investigar Mediante Encuestas, Sntesis, Madrid, 1998.
VIVANCO, M. Muestreo Estadstico: Diseo y Aplicaciones, Editorial Universita-
ria, Santiago, 2005.
YATES, F. Sampling Methods for Censuses and Surveys, Griffin, Londres, 1949.

167