CAPÍTULO I: INTRODUCCIÓN

1
El propósito de un estudio estadístico suele ser, extraer conclusiones acerca de la
naturaleza de una población. Al ser la población grande y no poder ser estudiada en su
integridad en la mayoría de los casos, las conclusiones obtenidas deben basarse en el
examen de solamente una parte de esta, lo que conlleva, en primer lugar a la
justificación, necesidad y definición de las diferentes técnicas de muestreo.

El muestreo es por lo tanto una herramienta de la investigación científica, cuya función

básica es determinar que parte de una población debe examinarse, con la finalidad de
hacer inferencias sobre dicha población. La muestra debe lograr una representación
adecuada de la población, en la que se reproduzca de la mejor manera los rasgos
esenciales de dicha población que son importantes para la investigación.

Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las
similitudes y diferencias encontradas en la población, es decir ejemplificar las
características de ésta.

Los puntos a tratar serán los siguientes. En primer lugar, algunas definiciones y
conceptos previos sobre muestra, muestreo, marco muestral, universo, población,
elementos de una población, parámetro, así como de unidades de muestreo y de análisis;
luego se dará a conocer algunas ideas sobre el procedimiento para el cálculo del tamaño
de muestra. En tercer lugar se tocará el tema de los tipos de muestreo en donde de
manera sucinta se abordaran tanto el muestro probabilístico como el no probabilístico,
dando a conocer las ventajas y desventajas de los mismos.

1.1 Importancia y justificación de la investigación

Este trabajo de investigación adquiere importancia dado que es necesario conocer los
diferentes métodos de muestreo porque de ese modo se asegura la representatividad de
la muestra extraída y la confiabilidad de los resultados obtenidos. Ya que el objetivo de
la estadística es inferir conclusiones válidas aplicables a toda la población a partir de
una muestra, es decir, la generalización de los resultados que estarán relacionados con la
representatividad de la muestra.

2
Este tema se aborda tomando en cuenta que, como estudiantes de la carrera de
Psicología Clínica, se debe estar en conocimiento de estos métodos puesto que en
psicología se aplican a todos los organismos que tienen una conducta similar y están
interrelacionados entre sí, por eso es conveniente saber a cuales sujetos escoger de
modo tal que el resultado pueda ser generalizado a una población.

Por otra parte, se justifica esta investigación por ser un requerimiento académico que
tiene carácter normativo en la Universidad UTE.

1.2 Objetivo general

Estudiar el muestreo estadístico, su fundamentación y aplicación en la investigación.

1.3 Objetivos específicos

 Enunciar los conceptos de muestra, población y procedimiento de selección de la

muestra
 Identificar los diferentes tipos de muestreo y sus características
 Determinar las ventajas y desventajas de los distintos tipos de muestreo

1.4 Tipo y Método de investigación

Esta investigación es de tipo descriptivo, porque describir en términos metodológicos

consiste en indicar todas las características del fenómeno que se estudia. Es importante
por cuanto implica por parte del investigador la capacidad y disposición de evaluar y
exponer, en forma detallada, las características del objeto de estudio. Este tipo de
investigación no requiere hipótesis
Para realizar este estudio, sus autores se han valido del método de la investigación
documental, tanto en fuentes bibliográficas como virtuales.

3
CAPITULO II: FUNDAMENTACIÓN TEÓRICA

4
2.1. Definición y conceptos previos

En la investigación científica es habitual que se empleen muestras como medio de

acercarse al conocimiento de la realidad. Sin embargo, para que esto sea posible, para
que a través de las muestras sea posible reproducir el universo con la precisión que se
requiera en cada caso es necesario que el diseño muestral se atenga a los principios
recogidos en las técnicas de muestreo.

Antes de pasar a describir los métodos de muestreo más habituales se introducen

algunos conceptos importantes en este contexto.

Población: Es cualquier grupo completo, ya sea de personas, animales o cosas. Es la

totalidad de elementos o cosas bajo consideración. La población se refiere a un grupo
finito de elementos.

Elementos de una población: son las unidades individuales que constituyen o

conforman una población.

Universo: Conjunto de cosas que no tienen limite numérico.

Muestra: Porción de la población que se selecciona para fines de análisis, siempre debe
de ser representativa de la población total.

Parámetro: Medida de resumen que se calcula con el propósito de describir alguna

característica de la población.

Unidades de muestreo: Número de elementos de la población, no solapados, que se

van a estudiar. Todo miembro de la población pertenecerá a una y sólo una unidad de
muestreo.

Unidades de análisis: Objeto o individuo del que hay que obtener la información.

Marco muestral: Lista de unidades o elementos de muestreo.

5
2.1.1 Muestra

Cuando las poblaciones son pequeñas lo recomendable es realizar un censo en lugar de

una muestra, ya que se tienen resultados confiables, pero cuando la población es
demasiado grande o estadísticamente infinita, es necesario la recolección de una
muestra.

En tal sentido, se puede definir la “muestra” como el conjunto de elementos

seleccionados para ser estudiados. En estadística una muestra es, más bien, un
subconjunto de casos o individuos de una población. En diversas aplicaciones interesa
que sea representativa y para ello debe escogerse una técnica de muestra adecuada que
produzca una muestra aleatoria adecuada (se obtiene una muestra sesgada cuyo interés y
utilidad es más limitado dependiendo del grado de sesgo que presente).

En otros términos, la muestra no es más que un subconjunto de observaciones

seleccionadas de una población.

El uso de una muestra como guía para una población, es exigible que sea
verdaderamente representativa de ella en general. De manera que se asegure que las
inferencias y las conclusiones pueden extenderse desde la muestra a la población o
universo en su conjunto.

Ahora bien, ¿en qué medida es realmente representativa la muestra? La estadística da

respuesta a este interrogante, supliendo métodos útiles de estimación y corrección de
sesgos dentro de la muestra y de la recolección de datos.

Es concluyente sostener que la muestra siempre es parte de la población y que si se tiene

más de una de éstas, igualmente siempre lo será respectivamente. Debe contener toda la
información deseada para tener la posibilidad de extraerla, cosa que se consigue con una
selección acertada y un trabajo cuidadoso de recolección de datos.

Inferir propiedades de la totalidad de la población o universo es la intención de la

obtención de una muestra; y de ahí lo necesario de su representatividad. Para ello se
precisa seguir una técnica de muestreo.

6
Ocasionalmente el muestreo puede ser más exacto que el estudio de toda una población
o universo. Y esto se debe a que manejar menor cantidad de datos provoca menos
errores en su manipulación. Porque, en todo caso, el conjunto de elementos de la
muestra son los sujetos que realmente se estudian.

Un aspecto que no debe perderse de vista es que el número de elementos constitutivos

de la muestra es, por lo general, muy inferior al de la población o universo en su
totalidad. Pero sí lo debe ser suficientemente grande como para que la estimación de los
parámetros que se determinen adquiera un nivel adecuado de confiabilidad.

Es mandatorio que al determinar la muestra se consiga una adecuada representación de

la población o universo, capaz de reproducir lo más aproximadamente posible los rasgos
esenciales que distinguen ese conjunto total y que son importantes para la investigación
de lugar. Es decir, que su utilidad esté dada en función de las similitudes y diferencias
encontradas en el gran conjunto, ejemplificando sus características.

La selección de una muestra estadística obedece a los pasos siguientes:

 Definición del objeto de estudio.

 Definición de la población o universo objetivo.
 Selección de procedimiento.
 Definición del tamaño de la muestra.
 Selección de las unidades muestrales.

2. 1.2 Muestreo

El muestreo es parte de la teoría de la probabilidad, misma que se usa en estadística para

estudiar las distribuciones muestrales y, con más frecuencia, las propiedades de los
procedimientos estadísticos.

7
Puede decirse sin temor a errar, que el muestreo es una herramienta de investigación
científica que tiene la función de determinar qué parte de una población debe ser
examinada, con el fin de hacer inferencias sobre ella.

La utilidad del muestreo radica en que puede ser acompañado de la generalización de

resultados, que es un proceso inverso. En otros términos: para conocer un universo se
extrae una muestra del mismo, se mide un dato u opinión y se proyecta en el resultado
que se observó en la muestra. Es decir, se hace una proyección o extrapolación.

Ahora bien, esa generalización añade, indefectiblemente, cierto nivel de error. Para
ilustrar esta afirmación, supongamos que se toma una muestra al azar de mil personas,
del universo de 3,000,000 de pobladores de una ciudad “X” y se les pregunta si padecen
de depresión. Las respuestas revelarán que el 25% de tal muestra tiene el padecimiento.
Por lógica simple podemos deducir que si ese porcentaje condujo a tal revelación, el
dato debe ser indicativo de lo que se conseguiría si la misma pregunta es hecha a la
totalidad de los referidos pobladores.

Es cierto que cualquier método estadístico es válido cuando un sistema o población

satisface los supuestos del método. Sin embargo, hay una diferencia entre la postura de
la teoría de la probabilidad clásica y la del muestreo. Esta es, que la teoría de la
probabilidad toma como punto de partida parámetros dados de una población total para
deducir las probabilidades relativas a las muestras. Mientras, la inferencia estadística se
orienta en otro sentido, al inducir de las muestras a los parámetros de una población o
universo mayor o total.

Un estudio o investigación orientada a la búsqueda de información relativa a una

población o universo puede enfocarse en la totalidad de los elementos que conforman
esa categoría. Sin embargo, la misma puede resultar harto complicada si el tamaño de
ese universo o población es muy grande. Afortunadamente, el investigador puede echar
mano de sólo una parte de los elementos objeto de estudio, a modo de muestra.

Cuando se elige la última opción, se habla de “muestreo”, que podemos definir como el
proceso de seleccionar un conjunto de elementos de la población o universo para
enfocar sobre ellos el estudio y caracterizar con sus resultados el total de los mismos.

8
Si el propósito del estudio es determinar cuántos de dichos 3,000,000 de pobladores
padecen de depresión, podemos notar que se trata de un universo extremadamente
amplio, significando esta característica una seria dificultad para recoger información
satisfactoria para los fines de la investigación. Una dificultad que puede implicar alto
coste o tiempo excesivo. Es en este momento cuando puede seleccionarse un
subconjunto de esos pobladores para someterlos a estudio, resultando útil la
información recogida como una aproximación a lo que se procura.

En otros términos, se concluiría en que de dicho universo de pobladores, un porcentaje

“x” padece de depresión.

2.1.3 Cálculo del tamaño de muestra

Cada estudio tiene un tamaño muestral idóneo, que permite comprobar lo que se
pretende con una seguridad aceptable y el mínimo esfuerzo posible. Para el cálculo del
tamaño muestral en cada tipo de estudio existe una fórmula estadística apropiada.

Se basa en el error estándar, que mide el intervalo de confianza de cada parámetro que
se analiza (media aritmética, porcentaje, diferencia de medias, entre otros). La precisión
estadística aumenta (el error estándar disminuye) cuando el tamaño muestral crece. Para
cada caso concreto, será más fácil utilizar algún programa como STATS®

Para hacer una muestra probabilística son necesarios dos procedimientos:

 Calcular un tamaño de muestra que sea representativo de la población;

 Seleccionar los elementos muéstrales (casos) de manera que al inicio todos
tengan la misma posibilidad de ser elegidos.

Para lo primero, se recomienda utilizar el programa STATS® (subprograma “Tamaño

de la muestra”). También se puede calcular el tamaño de muestra, mediante un
procedimiento usando las formulas clásicas que se han desarrollado, pero es más
tardado y el resultado es el mismo o muy similar al que proporciona dicho programa.

9
Para lo segundo (elementos muéstrales), se requiere un marco de selección adecuado y
un procedimiento que permita la aleatoriedad en la selección.

Cuando se hace una muestra probabilística, debe de preguntarse: dado que una
población es de N tamaño, ¿cuál es el menor número de unidades muéstrales (personas,
organizaciones, entre otros.) que se necesita para conformar una muestra (n) que
asegure un determinado nivel de error estándar, dígase menor de 0.01?

La respuesta a esta pregunta busca encontrar una muestra que sea representativa del
universo o población con cierta posibilidad de error, el cual se pretende minimizar, y
nivel de confianza (maximizar), así como probabilidad.

Imaginemos que se pretende realizar un estudio en la siguiente población: las

universidades de mi ciudad. Entonces, lo primero es conocer el tamaño de la población
(número de universidades en la ciudad).

Supongamos que hay 2200 (número ficticio, solo para ilustrar el ejemplo) de ellas. Al
abrir el subprograma “Tamaño de la muestra” en STATS®4 el programa va a pedir los
siguientes datos:

 .Tamaño del universo

 .Error máximo aceptable
 .Porcentaje estimado de la muestra
 .Nivel deseado de confianza

El tamaño del universo o población se dijo que es de 2 200. Este dato se debe conocer o
uno aproximado,

El error máximo aceptable se refiere a un porcentaje de error potencial que se admite

tolerar de que la muestra no sea representativa de la población, es decir, de que exista
equivocación en el número. Los niveles de error pueden ir de 20 a 1% en STATS®.

Los más comunes son 5 y 1% (uno implica tolerar muy poco error, 1 en 100, por así
decirlo; mientras que 5%, es aceptar en 100, 5 posibilidades de equivocación (en
ciencias sociales el más usual es el primero).

10
El porcentaje estimado de la muestra es la probabilidad de ocurrencia del fenómeno
(representatividad de la muestra versus no representatividad, la cual se estima sobre
marcos de muestreo previos o se define, la certeza total siempre es igual a uno, las
posibilidades a partir de esto son “p” de que sí ocurra y “q” de que no ocurra (p + q =
1). Cuando no se tiene marcos de muestreo previo, se usa un porcentaje estimado de
50% (que es la opción por ”default” que brinda STATS, es decir, se asume que “p” y
“q” serán de 50%, y que resulta lo mas común, particularmente cuando se selecciona
por vez primera una muestra en una población.

Finalmente, el nivel deseado de confianza es el complemento del error máximo

aceptable (porcentaje de “acertar en la representatividad de la muestra”). Si el error
elegido fue de 5%, el nivel deseado de confianza será de 95%. Una vez más los niveles
más comunes son de 95 y 99%. Por default, STATS coloca el primero. Ya con todos los
“campos” llenos, solo hay que presionar el botón de “calcular”, se obtiene el tamaño de
muestra apropiado para el universo.

En el ejemplo sería:

 .Tamaño del universo: 2200

 .Error máximo aceptable: 5%
 .Porcentaje estimado de la muestra: 50%
 .Nivel deseado de confianza: 95

El resultado que nos proporciona STATS es: Tamaño de la muestra: 327.1776.

Redondeando, se necesita que la muestra esté conformada por 327 universidades para
tener representadas a las 2200 de la ciudad.

2.2 Tipos de muestreo

Existen diversos criterios de clasificación de los diferentes tipos de muestreo, la

distinción fundamental en relación con los procedimientos utilizados para seleccionar
muestras guardan relación con la probabilidad de seleccionar a los elementos que

11
constituirán la muestra. Así, se distingue entre muestreo probabilístico y muestreo no
probabilísticos.

2.2.1 Método de muestreo probabilístico

Los muestreos probabilísticos son estrategias de selección de elementos que se

sustentan en el principio de selección aleatoria. En la práctica esto significa que todos
los elementos tienen la misma probabilidad de ser seleccionadas. La aleatoriedad no es
atributo de una muestra, sino del proceso de selección utilizado.

Existen diversos procedimientos de muestreo probabilístico. La diferencia s tienen que

ver con el modo en que se seleccionan los elementos y con la precisión de las
estimaciones. Dentro de los métodos de muestreo probabilísticos encontramos los
siguientes tipos:

 Muestreo aleatorio simple

 Muestreo sistemático
 Muestreo aleatorio estratificado
 Muestreo por conglomerado

2.2.1.1 Muestreo aleatorio simple

Procedimiento de muestreo básico y fundamento de otras estrategias de selección de

muestra. Se caracteriza porque la selección se realiza de un listado de la población
asignándole igual probabilidad a cada elemento. Si se selecciona una muestra de tamaño
n de una población de N unidades, cada elemento tiene una probabilidad de inclusión
igual y conocidad de n/N.

El procedimiento empleado es el siguiente:

12
  Se asigna un número a cada individuo de la población; y
 A través de algún medio mecánico (bolas dentro de una bolsa, tablas de números
aleatorios, números aleatorios generados con una calculadora u ordenador, entre
otros) se eligen tantos sujetos como sea necesario para completar el tamaño de
muestra requerido.

Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica cuando
la población que estamos manejando es muy grande.

2.2.1.2 Muestreo aleatorio sistemático

Usado para estudios relativos a poblaciones o universos infinitos, en los que el tamaño
de la muestra es determinado gracias a una fórmula y se le asigna un salto o una
frecuencia.

Procedimiento:

 Conseguir un listado de N elementos

 Determinar un tamaño de muestra n
 Definir un intervalo de salto k; K=N/n
 Elegir un número aleatorio, r, entre 1 y k (r=arranque aleatorio)
 Seleccionar los elementos de la lista

Este procedimiento exige, como el anterior, numerar todos los elementos de la

población, pero en lugar de extraer n números aleatorios sólo se extrae uno. Se parte de
ese número aleatorio i, que es un número elegido al azar, y los elementos que integran la
muestra son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman
los individuos de k en k, siendo k el resultado de dividir el tamaño de la población entre
el tamaño de la muestra: k= N/n.

El número i que empleamos como punto de partida será un número al azar entre 1 y k.
El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en la

13
población ya que al elegir a los miembros de la muestra con una periodicidad constante
(k) podemos introducir una homogeneidad que no se da en la población. Imaginemos
que estamos seleccionando una muestra sobre listas de 10 individuos en los que los 5
primeros son varones y los 5 últimos mujeres, si empleamos un muestreo aleatorio
sistemático con k=10 siempre seleccionaríamos o sólo hombres o sólo mujeres, no
podría haber una representación de los dos sexos.

2.2.1.3 Muestreo aleatorio estratificado

El azar no es una garantía de representatividad. Este muestreo pretende asegurar la

representación de cada grupo en la muestra. Cuanto más homogéneos sean los estratos,
más precisas resultarán las estimaciónes.

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los
procesos y suelen reducir el error muestral para un tamaño dado de la muestra. Consiste
en considerar categorías típicas diferentes entre sí (estratos) que poseen gran
homogeneidad respecto a alguna característica (se puede estratificar, por ejemplo, según
la profesión, el municipio de residencia, el sexo, el estado civil, entre otros).

Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de
interés estarán representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o
el estratificado para elegir los elementos concretos que formarán parte de la muestra.

En ocasiones las dificultades que plantean son demasiado grandes, pues exige un
conocimiento detallado de la población. (Tamaño geográfico, sexos, edades,...). La
distribución de la muestra en función de los diferentes estratos se denomina afijación, y
puede ser de diferentes tipos:

 Afijación Simple: A cada estrato le corresponde igual número de elementos

muéstrales.

14
  Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño)
de la población en cada estrato.
 Afijación Optima: Se tiene en cuenta la previsible dispersión de los resultados,
de modo que se considera la proporción y la desviación típica. Tiene poca
aplicación ya que no se suele conocer la desviación.

2.2.1.4 - Muestreo aleatorio por conglomerados

Los métodos presentados precedentemente están pensados para seleccionar

directamente los elementos de la población, es decir, que las unidades muéstrales son
los elementos de la población. En el muestreo por conglomerados la unidad muestral es
un grupo de elementos de la población que forman una unidad, a la que llamamos
conglomerado.

Las unidades hospitalarias, los departamentos universitarios, una caja de determinado

producto, entre otros., son conglomerados naturales. En otras ocasiones se pueden
utilizar conglomerados no naturales como, por ejemplo, las urnas electorales.

Cuando los conglomerados son áreas geográficas suele hablarse de "muestreo por
áreas". El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto
numero de conglomerados (el necesario para alcanzar el tamaño muestral establecido) y
en investigar después todos los elementos pertenecientes a los conglomerados elegidos.

Los conglomerados se caracterizan:

 Porque la variación en cada grupo es menor que la variación entre grupo;

 La necesidad de listados de las unidades de una etapa se limita a aquellas
unidades de muestreo seleccionadas en la etapa anterior.

15
 2.2.1.5 Ventajas y desventajas de los distintos tipos de muestreo probabilístico
Tipos Características Ventajas
Aleatorio
Simple Se selecciona una muestra
de tamaño n de una
poblacion de N unidades,
cada elemento tiene una
probabilidad de inclusión
igual y conocidad de n/N
Aleatorio Conseguir un listado de
sistemático los N elementos de la
población.
Determinar tamaño
muestral n
Definir un intervalo k=N/n
Elegir un número
aleatorio, r, entre 1 y k
(r=arranque aleatorio)
Seleccionar los elementos
de la lista.
Aleatorio En ciertas ocasiones
Estratificado resultará conveniente
estratificar la muestra
según ciertas variables de
interés.
Para ello se debe conocer
la composición
estratificada de la
población objetivo a hacer
un muestreo.
Una vez calculado el
Desventajas
 Sencillo y de fácil Requiere que se posea de
comprensión antemano un listado
 Cálculo rápido de completo de la población.
media y varianzas Cuando se trabaja con
 Se basa en la muestras pequeñas es
teoría estadística posible que no represente a
y por tanto la población
existen paquetes adecuadamente.
informáticos para
analizar los datos.
 Fácil de aplicar Si la constante de
muestreo está asociada con
 No siempre es el fenómeno de interés, las
necesario tener un estimaciones obtenidas a
listado de toda la partir de la muestra pueden
población. contener sesgo de
selección.
 Cuando la
población está
ordenada
siguiendo uan
tendencia
conocida, asegura
una cobertura de
unidades de todos
los tipos.
 Tiende a asegurar Se ha de conocer la
que la muestra distribución en la
represente población de las variables
adecuadamente a utilizadas para la
la población en estratificación
función de unas
variables
seleccionadas.
 Se obtienen
estimaciones más
precisas
 Su objetivo es
conseguir una
16
 tamaño muestral muestra lo más
apropiado, este se reparte semejante posible
de manera proporcional a la población en
entre los distintos estratos lo que a la o las
definidos en la población variables
usando una simple regla estratificadoras se
de tres. refiere

Aleatorio Se realizan varias fase de  Es muy eficiente El error estándar es mayor

Conglomerados muestreo sucesivas
(polietápico).
La necesidad de listados
de las unidades de una
etapa se limita a aquellas
unidades de muestreo
seleccionadas en la etapa
anterior.
cuando la que en el muestreo
población es muy aleatorio simple o
grande y dispersa. estratificado.
 No es preciso
tener un listado El cálculo del errar
de toda la estándar es complejo.
población,solo de
las unidades
primarias de
muestreo.

2.2.2 Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente

costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no
sirven para realizar generalizaciones (estimaciones inferenciales sobre la población),
pues no se tiene certeza de que la muestra extraída sea representativa, ya que no todos
los sujetos de la población tienen la misma probabilidad de se elegidos.

Los muestreos no probabilísticos utilizan criterios con un bajo nivel de sistematización

que procuran asegurar que la muestra tenga un cierto grado de representatividad. Este
tipo de muestreos se emplean principalmente cuando no es posible llevar a cabo otros de
tipo aleatorio, lo cual es muy habitual a causa del elevado coste de los procedimientos
de control.

En general se seleccionan a los sujetos siguiendo determinados criterios procurando, en

la medida de lo posible, que la muestra sea representativa. En algunas circunstancias los
métodos estadísticos y epidemiológicos permiten resolver los problemas de

17
representatividad aun en situaciones de muestreo no probabilístico, por ejemplo los
estudios de caso-control, donde los casos no son seleccionados aleatoriamente de la
población.

Entre los métodos de muestreo no probabilísticos más utilizados en investigación

encontramos:

 Muestreo por juicio

 Muestreo por cuotas
 Muestreo decisional
 Muestreo por agrupacion casual

2.2.2.1 Muestreo por juicio

El método de muestreo por juicio o muestreo discrecional es un método de muestreo no

probabilístico. Los sujetos se seleccionan a base del conocimiento y juicio del
investigador. El investigador selecciona a los individuos a través de su criterio
profesional.

Ejemplos:

 Supongamos que el investigador va a realizar un estudio sobre el nivel de

satisfacción del profesorado de la universidad UTE. El estudio se suele realizar
cada dos años, por lo que el responsable del estudio, gracias a su experiencia y
sus antecedentes, sabe perfectamente cual puede ser la mejor muestra para el
estudio.
 A un jefe de estudios le encomiendan un estudio del nivel de satisfacción de los
alumnos con el profesor de Estadística. El investigador, que conoce a todos los
alumnos de esa clase, decide utilizar el muestreo discrecional seleccionando a
los alumnos que cree que serán los más representativos.

18
Este método de muestreo es aconsejable cuando el responsable del estudio conoce
estudios anteriores similares o identicos y sabe con precisión que la muestra que
utilizaron fue útil para el estudio. Ademas cuando la población es muy reducida y
conocida por el investigador.

2.2.2.2 Muestreo por cuotas

También denominado en ocasiones "accidental". Se asienta generalmente sobre la base

de un buen conocimiento de los estratos de la población y/o de los individuos más
"representativos" o "adecuados" para los fines de la investigación.

Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carácter de aleatoriedad de aquél. En este tipo de muestreo se fijan unas "cuotas" que
consisten en un número de individuos que reúnen unas determinadas condiciones, por
ejemplo: 20 individuos de 25 a 40 años, de sexo femenino y residentes en Santiago de
los Caballeros.

El muestreo por cuotas se diferencia del muestreo estratificado en que la elección de los
sujetos en cada estrato se realiza a criterio del investigador, y no aleatoriamente.

El muestreo por cuotas se utiliza cuando se tienen datos adicionales de los individuos
(edad, sexo, entre otros) y se pueden utilizar ya que el investigador considera que estos
datos pueden influenciar en las características que se estudian. El análisis por estratos
permite un posterior análisis de las diferencias entre grupos.

La principal ventaja del muestreo por cuotas es que ofrece resultados útiles a un coste
efectivo y, si se han elegido correctamente las variables sobre las que segmentar, dichos
resultados suelen ser fiables.

Los principales inconvenientes son dos:

 La imposibilidad de acotar el error que estamos cometiendo al usar este tipo de

muestreo; y

19
  El riesgo de obviar una cuota relevante en un estudio.

2.2.2.3 Muestreo por bola de nieve

El muestreo por bola de nieve es una técnica de muestreo no probabilística en la que los
individuos seleccionados para ser estudiados reclutan a nuevos participantes entre sus
conocidos. El nombre de "bola de nieve" proviene justamente de esta idea: del mismo
modo que una bola de nieve al rodar por una ladera se va haciendo más y más grande,
esta técnica permite que el tamaño de la muestra vaya creciendo a medida que los
individuos seleccionados invitan a participar a sus conocidos.

La bola de nieve se usa con frecuencia para acceder a poblaciones de baja incidencia y a
individuos de difícil acceso por parte del investigador. En estudios en los que se quiere
estudiar un colectivo muy específico (por ejemplo, personas aficionadas a la filatelia o
coleccionismo de sellos), puede resultar mucho más efectivo obtener una muestra a
través de conocidos y amigos de los propios coleccionistas, que mediante una selección
puramente aleatoria, en la que una gran cantidad de individuos candidatos a participar
serían descartados.

Supuestamente, es muy probable que un coleccionista de sellos conozca a otros

coleccionistas de sellos, lo que hace de esta técnica una forma efectiva de muestrear un
colectivo que de otra manera resultaría de difícil acceso para el investigador.

El proceso de creación de una muestra mediante bola de nieve se fundamenta en usar la

red social de unos individuos iniciales para acceder a un colectivo. Podríamos dividir
este proceso en los siguientes pasos:

 Definir un programa de participación, en el que se describa el proceso por el que

un individuo invita o refiere a otros para que participen.
 Identificar colectivos u organizaciones que puedan facilitar el acceso a unos
individuos iniciales que cumplan con el rasgo característico del estudio.

20
  Obtener contactos iniciales y pedirles su participación. Esta parte sería similar a
una técnica de muestreo convencional, pero destinada a obtener un tamaño de
muestra reducido.
 Solicitar a los participantes, una vez finalizada la entrevista, el acceso a otros
contactos.
 Asegurar la diversidad de contactos mediante una correcta selección de los
individuos iniciales y promoviendo que la recomendación no se limite a
contactos muy cercanos.

Las principales ventajas de esta técnica son:

 Permite muestrear a poblaciones de difícil acceso.

 Es un proceso económico y sencillo.
 Requiere poca planificación y pocos recursos humanos: los propios sujetos
entrevistados hacen de mano de obra.

Respecto a los inconvenientes:

 Falta de control sobre cómo se constituye la muestra, ya que está en manos de

los propios encuestados y su criterio para seleccionar nuevos individuos.
 Como toda técnica no probabilística, la bola de nieve no garantiza
representatividad, ni permite conocer el grado de precisión que ofrecerá.
 Esta técnica es especialmente sensible al sesgo de muestreo. Dado que los
individuos participantes se obtienen por invitación de individuos ya
seleccionados, podría suceder que todos los individuos compartan ciertas
características o rasgos, independientemente del rasgo objeto de estudio, por lo
que el muestreo estaría accediendo sólo a un subgrupo de la población a
estudiar. Este problema se pone especialmente de manifiesto si la selección de
individuos iniciales no es suficientemente diversa.
 Tamaño de muestra incontrolado: la técnica no permite fijar a priori con
precisión el tamaño de muestra que vamos a obtener.

21
2.2.2.4 Muestreo casual

El muestreo casual es un método de muestreo no probabilístico donde los individuos se

eligen de manera casual, sin ningún juicio previo. Las personas que realizan el estudio
eligen un lugar o un medio, y desde ahí realizan el estudio a los individuos de la
población que accidentalmente se encuentren a su disposición. Veamos algunos
ejemplos:

 Se realiza una encuesta de opinión sobre un producto de higiene personal que se

ha lanzado al mercado recientemente. La empresa contrata a una serie de
entrevistadores que realizan las encuestas en la calle. Éstos van entrevistando a
los que se van encontrando accidentalmente por la calle.
 Una productora desea saber la opinión general de la población de una ciudad
respecto a su última película. Para ello desplaza a los cines de la ciudad a un
equipo de entrevistadores para preguntar directamente a la gente que sale de la
sala si les gustó su película.

Se utiliza el muestreo casual o accidental únicamente para tener una idea de cual es la
opinión de la gente respecto a algún producto o tema de actualidad.

Los resultados obtenidos mediante muestreo casual o accidental no son representativos

de la opinión de toda la población, sino que el resultado es orientativo.

22
CONCLUSIONES

23
Según lo afirmado precedentemente, es necesario formular algunas consideraciones
sobre el muestreo estadístico:

 La muestra es un subgrupo de la población y puede ser probabilística o no

probabilística.
 Elegir qué tipo de muestra se requiere depende del enfoque y alcances de la
investigación, los objetivos del estudio y el diseño.
 Las muestras probabilísticas son esenciales en diseños de investigación por
encuestas, donde se pretenden generalizar los resultados a una población. La
característica de este tipo de muestras es que todos los elementos de la población
al inicio tienen la misma probabilidad de ser elegidos. Así, los elementos
muestrales tendrán valores muy aproximados a los valores de la población, ya
que las mediciones del subconjunto serán estimaciones muy precisas del
conjunto mayor. Tal precisión depende del error de muestreo, llamado también
error estándar.
 Para una muestra probabilística necesitamos dos elementos: determinar el
tamaño adecuado de la muestra y seleccionar los elementos muestrales en forma
aleatoria.
 El tamaño de la muestra se calcula mediante fórmulas o por medio del programa
STATS® u otros programas estadísticos.
 Las muestras probabilísticas son: simples, estratificadas, sistemáticas y por
conglomerado. La estratificación aumenta la precisión de la muestra e implica el
uso deliberado de submuestras para cada estrato o categoría que sea relevante en
la población. Muestrear por conglomerados implica diferencias entre la unidad
de análisis y la unidad muestral. En este tipo de muestreo hay una selección en
varias etapas, todas con procedimientos probabilísticos. En la primera se
seleccionan los racimos y dentro de los racimos, a los participantes que van a ser
medidos.
 Los elementos muestrales de una muestra probabilística siempre se eligen
aleatoriamente para asegurarnos de que cada elemento tenga la misma
probabilidad de ser seleccionado. Es posible utilizar cuatro procedimientos de
selección: 1) tómbola, 2) números aleatorios, 3) uso del subprograma de
números aleatorios del STATS® y 4) selección sistemática.

24
 Todo procedimiento de selección depende de listados o bases de datos, ya sea
existentes o construidas ad hoc. Los listados pueden ser: la guía telefónica, listas
de asociaciones, listas de escuelas oficiales, entre otras.
 Cuando no existen listas de elementos de la población, se recurre a otros marcos
de referencia que contengan descripciones del material, organizaciones o
participantes seleccionados como unidades de análisis. Algunos de éstos pueden
ser archivos, hemerotecas y mapas, así como internet.
 Las muestras no probabilísticas pueden también llamarse muestras dirigidas,
pues la elección de casos depende del criterio del investigador.

25
BIBLIOGRAFÍA

26
Hernández Sampieri, R. (2010). Metodología de la Investigación. Quinta edición.
Interamericana Editores, S.A. de C.V., México, D.F.

Larson, H. J. (1992). Introducción a la Teoría de Probabilidades e Inferencias

Estadísticas. Novena reimpresión. Editorial Limusa, S.A. de C.V., México, D.F.

Vivanco, H. (2005). Muestreo Estadístico, Diseño y Aplicaciones. Primera edición.

Editorial Universitaria, S.A., Santiago de Chile.

Otras fuentes

(s/f). Muestreo. Información obtenida el 29 de enero del 2018. Disponible en:

http://www.chospab.es/calidad/archivos/Metodos/Muestreo.pdf

E-Psicología. (s/f). Métodos de Investigación: Muestreo. Información obtenida el 29 de

enero del 2018. Disponible en:
http://enciclopediadepsicologia.blogspot.com/2015/08/metodos-de-investigacion-
muestreo.html

Ochoa, C. (junio 12, 2015). Muestreo no probabilístico: Muestreo por cuotas.

Información obtenida el 4 de febrero del 2018. Disponible en:
https://www.netquest.com/blog/es/blog/es/muestreo-por-cuotas

Psicología y Mente (s/f). Los 7 Tipos de Muestreo y su uso en las Ciencias. Información
obtenida el 2 de febrero del 2018. Disponible en:
https://psicologiaymente.net/miscelanea/tipos-de-muestreo

Universo Formulas (s/f). Muestreo por bola de nieve. Información obtenida el 4 de

febrero del 2018. Disponible en:
http://www.universoformulas.com/estadistica/inferencia/muestreo-bola-nieve/

Vadenumero.es (s/f). Tipos de muestreo aleatorio. Información obtenida el 2 de febrero

del 2018. Disponible en: http://www.vadenumeros.es/sociales/tipos-de-muestreo.htm

27
GLOSARIO

28
Estadística inferencial: La estadística inferencial se ocupa de extender o extrapolar a
toda una población, informaciones obtenidas de una muestra, así como de la toma de
decisiones.

Población: Es el conjunto total de individuos susceptibles de poseer la información

buscada. No se refiere exclusivamente a personas, la población puede estar formada por
todos los árboles de un bosque.

Muestra: Es la parte de la población en la que se miden las características estudiadas.

El número de individuos de la muestra se llama tamaño de la muestra.

Muestreo: Es el proceso seguido para la extracción de una muestra.

Encuesta: Es el proceso de obtener la información buscada entre los elementos de la

muestra.

Unidades de muestreo: Número de elementos de la población, no solapados, que se

van a estudiar. Todo miembro de la población pertenecerá a una y sólo una unidad de
muestreo.

Unidades de análisis: Objeto o individuo del que hay que obtener la información.

Marco muestral: Lista de unidades o elementos de muestreo.

Inferencia estadística: comprende al conjunto de procedimientos estadísticos que

permiten generalizar los resultados de la muestra a la población origen de la muestra.

Aleatorio: se define como aleatoria la selección de elementos en la que cada uno de

estos tienen una probabilidad conocida y distinto de 0 de ser seleccionado. En este
contexto aleatorio se usa como sinónimo de probabilístico.

Variable: se entiende por variable a una magnitud que asume distintos valores. En
particular, varía en un rango de valores conocidos. Una variable aleatoria esta definida
por un conjunto de valores y, además, por una función de probabilidad que expresa para
cada valor la probabilidad de ocurrencia.

Distribución de probabilidad: corresponde a la distribución de valores de una variable

aleatoria que tiene asociada la probabilidad de ocurrencia de cada suceso x.
29
Parámetro: un parámetro corresponde a un valor desconocido de la población que es
estimado por un valor conocido de la muestra.

Error de muestreo: corresponde a la diferencia entre el valor del parámetro

poblacional y el valor del estadístico muestral utilizado como estimado. Error que no es
conocido y es generado como consecuencia de las fluctuaciones del muestreo. Se
utilizan equivocadamente como sinónimos los términos error de estimación y error de
precisión.

Error máximo admisible: valor decidido por el investigador que define la precisión de
la inferencia.

30