OBEJ: Idenificar y comparar lkas características del muesttero probabilístico y no probabilístico

1- Retroalimentación de lo que es muestreo y sus ventajas

a- ¿Qué es muestreo?

El muestreo es el proceso de seleccionar un conjunto de individuos de una

población con el fin de estudiarlos y poder caracterizar el total de la población.

Ejemplo: Imagina que queremos saber algo de un universo o población, por

ejemplo, qué porcentaje de los habitantes de México fuma habitualmente. Una forma
de obtener este dato sería contactar con todos los habitantes de México (122
millones de personas) y preguntarles si fuman. La otra forma sería seleccionar un
subconjunto de individuos (por ejemplo, 1.000 personas), preguntarles si fuman y
usar esta información como una aproximación de la información que busco. Pues
bien, este grupo de 1.000 personas que me permiten conocer mejor cómo se
comportan el total de mexicanos es una muestra, y la forma en que los selecciono
es el muestreo.

Termino claves:
 Universo o población: Es el total de individuos que deseo estudiar o caracterizar. En el
ejemplo anterior es la población de México, pero podemos pensar en todo tipo de universos,
más generales y más concretos. Por ejemplo, si quiero saber cuanto fuman de media los
fumadores de México, el universo en este caso serían "los fumadores de México".
 Muestra: Es el conjunto de individuos del universo que selecciono para estudiarlos, por
ejemplo a través de una encuesta.

b- Porque funciona el muestreo; la generalización y el error:

El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso, que

llamamos generalización. Es decir, para conocer un universo lo que hacemos es
(1) extraer una muestra del mismo,
(2) medir un dato u opinión y
(3) proyectar en el universo el resultado observado en la muestra.
Esta proyección o extrapolación recibe el nombre de generalización de resultados.
La generalización de resultados añade cierto error al mismo. Imagina que tomamos una
muestra al azar de 1.000 personas de México y les preguntamos si fuman. Obtengo que el 25%
de la muestra fuma. La simple lógica nos dice que si de 1.000 mexicanos elegidos al azar el
25% fuma, este dato debería ser indicativo de lo que obtendríamos si preguntásemos a los 122
millones de mexicanos. Ahora bien, el azar podría haber hecho que haya escogido para mi
muestra más fumadores de lo que correspondería a la proporción exacta que hay en el universo
o, por el contrario, que en mi muestra los fumadores estén algo infra-representados. El azar
podría hacer que el porcentaje de fumadores en la población fuese algo diferente del 25% que
hemos observado en la muestra (tal vez un 25,2%, por ejemplo). Por lo tanto, la generalización
de resultados de un muestra a un universo conlleva aceptar que cometemos cierto error, tal y
como ilustra el siguiente esquema.

Afortunadamente, el error que cometo al generalizar resultados puede acotarse gracias a la

estadística. Para ello usamos dos parámetros: el margen de error, que es la máxima
diferencia que esperamos que haya entre el dato observado en mi muestra y el dato real en el
universo, y el nivel de confianza, que es el nivel de certeza que tengo de que realmente el
dato real esté dentro del margen de error.

Por ejemplo, en nuestro caso de fumadores mexicanos, si selecciono una muestra de 471
individuos y les pregunto si fuman, el resultado que obtenga tendrá un margen de error
máximo de +-5% con un nivel de confianza del 97%. Esta forma de expresar los resultados es
la correcta cuando usamos muestreo.

c- Tamaño de muestra

¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende del tamaño del
universo y del nivel de error que esté dispuesto a aceptar. Cuanta más precisión exija, mayor
muestra necesito. Si quiero tener una certeza absoluta en mi resultado, hasta el último decimal,
mi muestra tendrá que ser tan grande como mi universo.

Pero el tamaño de la muestra tiene una propiedad fundamental que explica porqué el muestreo
se usa tanto en tantos ámbitos del conocimiento. Esta propiedad podría resumirse como sigue:
a medida que estudio universos mayores, el tamaño de muestra que necesito cada vez
representa un porcentaje menor de dicho universo.

Ejemplo: Supongamos que queremos hacer una encuesta para saber un porcentaje (podría ser
el de gente que fuma) con un nivel de error determinado, por ejemplo un margen de error del
5% y una confianza del 95%. Si el universo a estudiar fuese de tan sólo 100 personas, mi
muestra tendría que ser de 79,5 individuos (es decir, 79,5% del universo, lo que representa un
parte muy importante del total del universo). Si el universo fuese de 1.000 personas, mi
muestra debería ser de 277,7 personas (27,7% del universo). Y si mi universo fuese de
100.000 personas, la muestra necesaria sería de 382,7 personas (3,83% del universo).

Por lo tanto, a medida que trabajo con universos más grandes, la muestra que necesito debe
ir creciendo pero de forma no proporcional, tiende a estancarse y cada vez representa un
porcentaje más pequeño del universo. De hecho, a partir de cierto tamaño de universo (en
torno a 100.000 individuos), el tamaño de la muestra ya no necesita crecer más.

d- Ventajas e inconvenientes:

Resumimos a continuación las principales ventajas e inconvenientes de usar muestreo frente a

estudiar todo un universo.
 Ventajas:
 Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y dinero).
 La manipulación de datos es mucho más simple. Si con una muestra de 1.000 personas tengo suficiente,
¿para qué quiero analizar un fichero de millones de registros?
Inconvenientes:
 Introducimos error (controlado) en el resultado, debido a la propia naturaleza del muestreo y a la
necesidad de generalizar resultados.
 Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra. Por ejemplo, si la
forma en que selecciono individuos para la muestra no es aleatoria, mis resultados pueden verse
seriamente afectados.

2- Marco muestral

Vimos qué es el muestreo y qué ventajas nos ofrece cuando queremos estudiar una población.
Hoy veremos las dos grandes famílias de técnicas de muestreo existentes. Para ello,
empezaremos definiendo el concepto de marco muestral.

Un marco muestral es una lista de elementos que componen el universo que queremos estudiar
y de la cuál se extrae la muestra. Estos elementos a investigar pueden ser individuos, pero
también pueden ser hogares, instituciones y cualquier otra cosa susceptible de ser investigada.
Cada uno de estos elementos presentes en el marco muestral se conoce como unidades
muestrales.

Ejemplo. Supongamos que queremos medir la satisfacción de los clientes de una empresa.
Para poder generar un marco muestral, podríamos acceder al sistema informático de la
empresa y extraer una lista de todas las personas que han contratado un producto en el último
año. Cada una de las personas de esa lista serían unidades muestrales. Seleccionando un
conjunto de estos clientes, obtendría una muestra.

3- Muestreo Probabilístico

Hablaremos de muestro probabilístico siempre que se cumplan dos condiciones:

(1) Todos los elementos de mi población tienen una probabilidad mayor de cero de ser
seleccionados en la muestra.
(2) Conozco de forma precisa dicha probabilidad para cada elemento, lo que se conoce como
probabilidad de inclusión.
El cumplimiento de ambos criterios es el que hace posible obtener resultados no sesgados
cuando estudio la muestra. En ocasiones, estos resultados no sesgados requieren usar técnicas
de ponderación (weighting), pero esta ponderación es posible precisamente porque conozco
qué probabilidad tengo de que cada individuo sea seleccionado en mi muestra. Las muestras
generadas en estas condiciones se conocen también como muestras probabilísticas.

La definición anterior nos lleva a concluir que sólo podemos hacer muestreo probabilístico si
dispongo de un marco muestral. El censo de un país, el conjunto de direcciones de hogares en
una población o la lista de clientes de una empresa, son ejemplos de marcos muestrales que
hacen posible un muestreo probabilístico. En cada uno de estos casos, el universo a estudiar es
diferente: habitantes de un país, hogares de una población y clientes de una empresa,
respectivamente.

Una vez tengo un marco muestral, la forma exacta que empleo para seleccionar mi muestra
define las diferentes técnicas de muestreo probabilístico: Muestreo aleatorio simple, muestreo
sistemático, muestreo estratificado, muestreo por conglomerados, muestreo desproporcionado
(estas se van a ver en la sgte clase).

4- Muestreo no probabilístico
Sin embargo, no es sencillo cumplir con los requisitos impuestos por el muestreo
probabilístico:
(1) Disponer de un marco muestral es algo relativamente poco habitual en estudios de
mercado.
(2) Lograr que todos los individuos de la población tengan una probabilidad no nula de ser
seleccionados es un requisito igualmente exigente, más aún conocer la probabilidad de
inclusión exacta de cada unidad muestral. Todos los individuos que no pueden ser
seleccionados en una muestra se suelen referir como unidades fuera de cobertura.

Por todas estas razones, así como por razones de coste, los investigadores recurren con
frecuencia a otras técnicas de muestreo, agrupadas dentro de lo que se conoce como muestreo
no probabilístico. En estas técnicas alternativas, es habitual seleccionar elementos para la
muestra basándose en hipótesis relativas a la población de interés, lo que se conoce como
criterios de selección. Por ejemplo, seleccionar una muestra buscando individuos por la calle,
tratando de que la mitad sean hombres y la mitad mujeres (coincidiendo con la distribución
que se supone en la población) sería un criterio de muestreo no probabilísitico.
En estos casos, debido a que la selección de las unidades de la muestra no es aleatorio, cuando
hablamos de muestreo no probabilístico no deberíamos hablar de estimaciones de error. Dicho
de otra forma, una muestra no probabilística nos informa de cómo es un universo pero no nos
permite saber con qué precisión: no podemos establecer unos márgenes de error y unos niveles
de confianza.

Algunas técnicas de muestreo de este tipo son: el muestreo por juicio, por conveniencia,
muestreo secuencial, muestreo por cuotas, muestreo discrecional y muestreo por bola de nieve.

Diferencias
Ejemplo para identificar cual es cual….

Definir los tipos más utilizados de los muestreos, el simple y el por juicio:

Muestreo Aleatorio Simple (Probabilistico):

Es un muestreo aleat. Probabilístico, donde la muestra es seleccionada de manera que cada individuo
tiene las mismas posibilidades de ser elegido, es la técnica mas básica y conforma a la base de las
demás técnicas de muestreo.

 El proceso depende si la población es finita o infinita.

 Las muestras pueden ser con reemplazo o sin reemplazo

(no es necesario decir esto, es por si pregunta la sally y tenemos la respuesta xD)

Procedimiento:

 Definir población de estudio

  Asignar un numero a cada individio de la población
 Definir el tamaño de muestra a seleccionar
 Seleccionar la muestra por algún medio mecanico: tablas de n° aletorios, tómbola, n° aletorio
generado

Activicades: (aplicar un par de ejercicios para que entiendan el concepto de probabilístico, tu elígelos)

MUESTREO ALEATORIO SIMPLE

Todos los individuos tienen la misma probabilidad de ser seleccionados. La selección de la

muestra puede realizarse a través de cualquier mecanismo probabilístico en el que todos los
elementos tengan las mismas opciones de salir. Por ejemplo uno de estos mecanismos es
utilizar una tabla de números aleatorios, o también con un ordenador generar números
aleatorios, comprendidos entre cero y uno, y multiplicarlos por el tamaño de la población, este
es el que vamos a utilizar.

Actividad 2. Supongamos que tenemos una población de 423 individuos, numerados

desde el 1 a 423 y queremos obtener una muestra de cinco individuos.

Para ello basta que teclees en el control correspondiente el tamaño de la muestra. Cada
vez que pulses la tecla Entrar en el recuadro aparecerá el número de un individuo
seleccionado.

Selecciona cinco y anota sus números en el cuaderno de trabajo.

Utiliza la escena anterior para realizar las actividades siguientes, anota los resultados en
el cuaderno de trabajo.

Actividad 3. De una población de 856 elementos, deseamos extraer una muestra de

tamaño 10. Mediante el uso de números aleatorio cuáles son los 10 individuos que
componen la muestra.

Actividad 4. De una población de 543 individuos, queremos extraer una muestra de

tamaño 40 mediante números aleatorios. Obtén los cinco primeros elementos de dicha
muestra.

Actividad 5. Explica cómo se consiguen los distintos elementos de la muestra a partir de

los números aleatorios.
Es una técnica comúnmente usada. Consiste en seleccionar una muestra de la población por
el hecho de que sea accesible. Es decir, los individuos empleados en la investigación se
seleccionan porque están fácilmente disponibles, no porque hayan sido seleccionados
mediante un criterio estadístico. Esta conveniencia, que se suele traducir en una gran facilidad
operativa y en bajos costes de muestreo, tiene como consecuencia la imposibilidad de hacer
afirmaciones generales con rigor estadístico sobre la población.

Por ejemplo: supongamos que queremos conocer la opinión de los estudiantes universitarios
chilenos acerca de la política. Una muestra probabilística requeriría acceder a un censo del
total de estudiantes de todas las universidades chilenas con el fin de seleccionar al azar un
grupo de individuos y encuestarlos. Una muestra por conveniencia podría consistir en
dirigirme a 3 universidades cercanas, simplemente porque están en la población en la que
reside el encuestador, y encuestar a unos cuantos individuos que acepten participar al salir de
las aulas por la mañana.
Las limitaciones de este tipo de muestreo son obvias. En el ejemplo anterior, podría suceder
que diferentes tipos de universidades correlacionen con estratos sociales y con opiniones
políticas. Es más, si selecciono estudiantes de 3 universidades concretas y los encuesto por la
mañana, sus opiniones podrían ser diferentes de las de estudiantes del turno de tarde (que tal
vez trabajan al mismo tiempo que estudian).
¿Significa lo anterior que los resultados de una muestra por conveniencia son totalmente
irrelevantes, que no nos dicen nada de la población? No exactamente. Si tenemos buenas
razones para pensar que la selección por conveniencia no va a introducir sesgos respecto al
total de la población, los resultados que obtendré pueden ser una buena imagen del universo
estudiado. El problema es que no sabré exactamente cómo de buena es esa imagen: no
puedo usar herramientas estadísticas como el margen de error y el intervalo de confianza para
medir la precisión de mis resultados. Los lectores del estudio tendrán que confiar en los
criterios de la selección hecha por el investigador.

1. El médico de un instituo quiere realizar un estudio óptico para comprobar si los jóvenes
mejoran su vista después de unos determinados ejercicios visuales. Para ello decide
realizar el estudio a los alumnos de un curso del instituto.
2. Un hospital desea hacer un estudio para testar la eficacia de su nueva vacuna contra la
gripe que acaba de patentar un laboratorio farmacéutico. Realizan el estudio sobre
sus pacientes por que así al hospital le supone menos costes económicos.