Вы находитесь на странице: 1из 43

INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE TURISMO

MUESTREO

INTEGRANTES:
-Aguilera Palacios Erendira Axin
-Chávez León Jaime Alexis
-López Zavala Daniela Fernanda
-Ordoñez Espinoza Luz Edith

GRUPO: 2TM5

ESTADÍSTICA DESCRIPTIVA

POFESOR: VILLA TREJO ISRAEL


JUSTIFICACIÓN .............................................................................................................................................. 3
INTRODUCCIÓN............................................................................................................................................. 4
DESARROLLO DEL TRABAJO .......................................................................................................................... 5
-Razones para el muestreo ....................................................................................................................... 5
-Diferencia muestreo y censo ................................................................................................................... 6
-Definición muestreo ................................................................................................................................ 7
-Conceptos de muestreo........................................................................................................................... 9
-Clasificación de muestreo ...................................................................................................................... 10
-Técnicas de muestreo probabilístico ..................................................................................................... 11
-Muestreo aleatorio simple .................................................................................................................... 12
-Muestreo aleatorio sistematizado ......................................................................................................... 13
-Muestreo estratificado .......................................................................................................................... 18
-Muestreo por conglomerados ............................................................................................................... 25
-Técnicas de muestreo no probabilístico ................................................................................................ 29
-Muestreo bola de nieve ......................................................................................................................... 31
-Muestreo de conveniencia .................................................................................................................... 34
-Muestreo de cuotas ............................................................................................................................... 36
-Muestreo de juicio ................................................................................................................................. 39
-Muestreo de grupo o por áreas ............................................................................................................. 41
CONCLUSIONES ........................................................................................................................................... 42
GLOSARIO.................................................................................................................................................... 43
JUSTIFICACIÓN
INTRODUCCIÓN
DESARROLLO DEL TRABAJO

-R AZONES PARA EL MUESTREO


-D IFERENCIA MUESTREO Y CENSO
-DEFINICIÓN MUESTREO

El muestreo es la operación de seleccionar o elegir qué elementos de la población van a


construir la muestra en la que va a estudiarse uno o varios caracteres. El muestreo debe ser, ante
todo, representativo, es decir, la muestra seleccionada debe ser, en pequeño, una imagen fiel de la
población.
El muestreo, básicamente, puede ser aleatorio o no aleatorio; en el primero, los elementos de la
muestra se seleccionan al azar, por medios probabilísticos; en el segundo se utilizan otros criterios:
dividir la población en barrios, por edades, por nivel económico, etc., y dentro de cada una de las
clases se elige el número de los elementos en la proporción más conveniente para que la muestra
reproduzca de forma adecuada los caracteres de la población.
Para llevar a cabo el proceso estadístico son necesarias varias fases, que podemos resumir
en estas cuatro:
1. El diseño, o planteamiento, mediante el cual se fija el objetivo a conseguir, la población
o muestra que va a estudiarse, los caracteres que interesan y la presentación que se hará con los
datos recogidos; es preciso tener en cuenta el coste económico del proceso y el tiempo que llevará
su realización.
2. La recogida de datos, que puede ser directa, cuando es el propio individuo el que facilita
los datos, generalmente mediante un cuestionario con preguntas y espacios para las respuestas,
bien sea enviado por correo o mediante un entrevistador que anota las respuestas, o puede ser
indirecta, cuando se recurre a un fichero, memoria, banco de datos, etc.
3. La obtención de resultados mediante el tratamiento de datos: son operaciones,
cuadrados, tablas, gráficos, previstos en el diseño, que hay que efectuar para obtener los resultados.
Si la cantidad de datos es grande, se usan técnicas informáticas.
4. La interpretación de resultados. En esta fase, el experto en estadística, con los resultados
obtenidos, deberá asesorar a quienes deban tomar decisiones, los cuales, lógicamente, actuarán
teniendo en cuenta la información obtenida.
Las ventajas del muestreo están en que puede estudiarse una población, finita o infinita,
basándose en un muestra de la misma, con una gran reducción de tiempo y costes; el muestreo es
imprescindible cuando una población es infinita o la prueba es destructiva, por ejemplo, reconocer
la duración de un determinado tipo de lámparas. Los inconvenientes del muestreo provienen de las
conclusiones obtenidas estén sometidas a un cierto grado de error, tanto mayor cuanto más
pequeño el tamaño de la muestra.
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 errores más comunes que se pueden cometer son:
1.- Hacer conclusiones muy generales a partir de la observación de sólo una parte de la
Población, se denomina error de muestreo.
2.- Hacer conclusiones hacia una Población mucho más grandes de la que originalmente se
tomó la muestra. Error de Inferencia.
En la estadística se usa la palabra población para referirse no sólo a personas sino a todos
los elementos que han sido escogidos para su estudio y el término muestra se usa para describir
una porción escogida de la población.
-CONCEPTOS DE MUESTREO
-CLASIFICACIÓN DE MUESTREO
-TÉCNICAS DE MUESTREO PROBABILÍSTICO
-M UESTREO ALEATORIO SIMPLE
-M UESTREO ALEATORIO SISTEMATIZADO

El muestreo sistemático es un tipo de muestreo que es aplicable cuando los elementos de


la población sobre la que se realiza el muestreo están ordenados. Este procedimiento de muestreo
se basa en tomar muestras de una manera directa y ordenada a partir de una regla determinística,
también llamada sistemática. Concretamente, a partir de una sola unidad que se selecciona en
primer lugar, el resto de unidades de la muestra vienen determinadas automáticamente al aplicarle
a dicha unidad una regla selección sistemática. Bajo este procedimiento de muestreo, por ejemplo,
seleccionamos cada vigésimo nombre de una lista, cada decimosegunda casa de un lado de una
calle, cada quincuagésima pieza de una línea de montaje, etc...

¿En qué consiste el muestreo sistemático?


Es una técnica dentro de la categoría de muestreos probabilísticos - y que por lo tanto
requiere tener un control preciso del marco muestral de individuos seleccionables junto con la
probabilidad de que sean seleccionados - consistente en escoger un individuo inicial de forma
aleatoria entre la población y, a continuación, seleccionar para la muestra a cada enésimo individuo
disponible en el marco muestral.
El muestreo sistemático es un proceso muy simple y que sólo requiere la elección de un
individuo al azar. El resto del proceso es trivial y rápido. Los resultados que obtenemos son
representativos de la población, de forma similar al muestreo aleatorio simple, siempre y cuando
no haya algún factor intrínseco en la forma en que los individuos están listados que haga que se
reproduzcan ciertas características poblacionales cada cierto número de individuos. Este suceso es
realmente poco frecuente.

El proceso
De forma concreta, el proceso que seguiríamos en un muestreo sistemático sería el
siguiente:
1. Elaboramos una lista ordenada de los N individuos de la población, lo que sería el marco
muestral.
2. Dividimos el marco muestral en n fragmentos, donde n es el tamaño de muestra que
deseamos. El tamaño de estos fragmentos será

K=N/n
Donde K recibe el nombre de intervalo o coeficiente de elevación.
3. Número de inicio: obtenemos un número aleatorio entero A, menor o igual al intervalo.
Este número corresponderá al primer sujeto que seleccionaremos para la muestra dentro del primer
fragmento en que hemos dividido la población.
4. Selección de los n-1 individuos restantes: Seleccionamos los siguientes individuos a
partir del individuo seleccionado aleatoriamente, mediante una sucesión aritmética, seleccionando
a los individuos del resto de fragmentos en que hemos dividido la muestra que ocupan la misma
posición que el sujeto inicial. Esto equivale a decir que seleccionaremos los individuos

A, A + K, A + 2K, A + 3K,..., A + (n-1) K


Ejemplos
Ejemplo 1
Suponemos que queremos saber la opinión sobre un profesor de una clase de 60 personas.
Dichas personas están ordenadas por orden alfabético en la lista de alumnos de clase. Para realizar
la encuesta, seleccionamos a 12 personas. Por lo tanto, N=60 y n=12. El intervalo fijo entre sujetos
es:

Ahora elegimos al azar un número entre 1 y k=5. Suponemos que nos sale i=2. La muestra
resultado mediante el muestreo sistemático será:

Ejemplo 2
Consideramos una población de 5000 agricultores pertenecientes a una determinada zona
y de la que se pretende extraer una muestra sistemática de 10 agricultores. El procedimiento a
seguir es el siguiente: Definir el tamaño del salto sistemático k = 5000/10 = 500.
.Selecciona un numero aleatorio r entre 1 y 500, (por ejemplo 96).
-Seleccionar los restantes elementos de la muestra, 96, 96+500=596, 596+500=1096, 1596,
2096, 2596, 3096, 3596, 4096, 4596.

Ejemplo 3
Supongamos que tenemos un marco muestral de 5.000 individuos y deseamos obtener una
muestra de 100 de ellos. Dividimos en primer lugar el marco muestral en 100 fragmentos de 50
individuos. A continuación seleccionamos un número aleatorio entre 1 y 50, para extraer el primer
individuo al azar del primer fragmento: por ejemplo el 24. A partir de este individuo, queda
definida la muestra extrayendo los individuos de la lista con intervalos de 50 unidades, tal y como
sigue
24, 74, 124, 174,..., 4.974

Propiedades del muestreo sistemático


Las principales ventajas son:
-Obtiene buenas propiedades de representatividad, similares a la de un muestreo aleatorio
simple o incluso superiores, pero de forma más rápida y simple, al evitar la necesidad de generar
tantos números aleatorios como individuos en la muestra.
-Respecto al muestreo aleatorio, el muestreo sistemático puede garantizarnos una selección
perfectamente equitativa de la población. Esto puede ser de utilidad si se distinguen grupos dentro
de universo, lo que nos podría evitar la necesidad de usar estratos. Si existe diferente varianza entre
los individuos de los fragmentos, este muestreo puede ser mejor que el aleatorio. Lo veremos
luego.
-Extiende la muestra a toda la población.
-Recoge el posible efecto de estratificación debido al orden en que figuran las unidades de
la población.
-No presenta problemas de cálculo algebraico.
-El error de muestreo suele ser inferior que en muestreo aleatorio simple o incluso que en
estratificado.
Las principales desventajas son:
-La posibilidad de aumento de la varianza si existe periodicidad en la población.
-El problema teórico que se presenta en la estimación de las varianzas
-No hay independencia en la selección de unidades en las distintas zonas, ya que las
unidades extra ‘idas en cada zona dependen de la seleccionada en la primera zona.
-En general solo hay selección aleatoria para la primera unidad de la muestra.
Eficiencia del muestreo sistemático
El muestreo sistemático se ideó para mejorar las propiedades del muestreo aleatorio simple,
pero el grado de mejora es variable dependiendo de las propiedades del universo estudiado.
Para entender las propiedades de este muestreo, hay que tener en cuenta una cosa: si fijamos
el intervalo o coeficiente de elevación según el tamaño de la muestra que necesitamos, sólo hay
un elemento aleatorio dentro del proceso de muestreo: la unidad inicial que seleccionamos del
primer bloque de individuos. El resto queda fijado de antemano. Esto equivale a decir que sólo
tenemos k posibles muestras diferentes a obtener y que el muestreo es simplemente escoger una
de las k muestras disponibles.
Es posible demostrar que cuanto más supera la varianza dentro de las k posibles muestras
que podemos generar a la varianza poblacional, más precisión ganamos usando el muestreo
sistemático respecto al aleatorio simple. Lo anterior puede interpretarse diciendo que el muestreo
sistemático es más preciso que el aleatorio simple cuando la variabilidad dentro de las posibles
muestras es superior a la variabilidad dentro de las unidades de la población. La precisión del
muestreo sistemático coincide con la del aleatorio simple cuando ambas variabilidades coinciden,
y esto se da cuando la disposición de los elementos en la población es totalmente aleatoria.
-M UESTREO ESTRATIFICADO

Esta técnica, perteneciente a la familia de muestreos probabilísticos, consiste en dividir


toda la población objeto de estudio en diferentes subgrupos o estratos disjuntos, de manera que un
individuo sólo puede pertenecer a un estrato. Una vez definidos los estratos, para crear la muestra
se seleccionan individuos empleando una técnica de muestreo cualquiera a cada uno de los estratos
por separado. Si por ejemplo empleamos muestreo aleatorio simple en cada estrato, hablaremos
de muestreo aleatorio estratificado (M.A.E. en adelante). Del mismo modo, podríamos usar otras
técnicas de muestreo en cada estrato (muestreo sistemático, aleatorio con reposición, etc.).

El objetivo del diseño de encuestas por muestreo es maximizar la cantidad de información


para un coste dado. El muestreo aleatorio simple suele suministrar buenas estimaciones de
parámetros poblacionales a un coste bajo, pero existen otros procedimientos de muestreo, como el
muestreo estratificado, que en muchas ocasiones incrementa la cantidad de información para un
coste dado.
El muestreo estratificado es un diseño de muestreo probabilístico en el que dividimos a la
población en subgrupos o estratos. La estratificación puede basarse en una amplia variedad de
atributos o características de la población como edad, genero, nivel socioeconómico, ocupación,
etc.
Así, consideramos una población heterogénea con N unidades, y en la que la subdividimos
en L subpoblaciones denominados estratos lo más homogéneas posibles no solapadas, atendiendo
a criterios que puedan ser importantes en el estudio, de tamaños N1, N2,..., NL. Obviamente
N1 + N2 +... + NL = N,

Donde N es el total de individuos de la población. La muestra estratificada de tamaño n se


obtiene seleccionando una muestra aleatoria simple de tamaño nh (h = 1, 2,..., L) de cada uno de
los estratos en que se subdivide la población de forma independiente. De igual modo,
n1 + n2 +... + nL = n,

Donde n es el tamaño de la muestra que queremos seleccionar.


Podemos expresar la formación de estratos en la población y la formación de la muestra
estratificada de la forma siguiente:

Los estratos suelen ser grupos homogéneos de individuos, que a su vez son heterogéneos
entre diferentes grupos. Por ejemplo, si en un estudio esperamos encontrar un comportamiento
muy diferente entre hombres y mujeres, puede ser conveniente definir dos estratos, uno por cada
sexo. Si la selección de estos estratos es correcta (1) los hombres deberían comportarse de forma
parecida entre ellos, (2) las mujeres deberían comportarse de forma muy similar entre ellas y (3)
hombres y mujeres deberían mostrar comportamientos dispares entre sí.
Si la anterior condición se cumple (estratos homogéneos internamente, heterogéneos entre
sí) el uso del muestreo aleatorio estratificado reduce el error muestral, mejorando la precisión de
nuestros resultados al realizar un estudio sobre la muestra.
Es relativamente habitual definir estratos de acuerdo a algunas variables características de
la población como son la edad, sexo, clase social o región geográfica. Estas variables permiten
dividir fácilmente la muestra en grupos mutuamente excluyentes y con bastante frecuencia,
permiten discriminar comportamientos diferentes dentro de la población.

Tipos de muestreo estratificado


Dependiendo del tamaño que asignamos a los estratos, hablaremos de diferentes tipos de
muestreo estratificado. También se acostumbra a hablar de diferentes formas de "afijación" de la
muestra en estratos.
(1) Muestreo estratificado proporcionado
Cuando seleccionamos una característica de los individuos para definir los estratos, suele
ocurrir que el tamaño de las subpoblaciones resultantes en el universo es diferentes. Por ejemplo,
queremos estudiar el % de la población que fuma en México y pensamos que la edad puede ser un
buen criterio para estratificar (es decir, pensamos que existen diferencias importantes en el hábito
de fumar dependiendo de la edad). Definimos 3 estratos: menores de 20 años, de 20 a 44 años y
mayores de 44 años. Es de esperar que al dividir toda la población mexicana en estos 3 estratos no
resulten grupos de igual tamaño. Efectivamente, si miramos datos oficiales, obtenemos:
* Estrato 1 - Población Mexicana menor de 19 años: 42,4 millones (41,0%)
* Estrato 2 - Población Mexicana de 20 a 44 años: 37,6 millones (36,3%)
* Estrato 3 - Población Mexicana mayor de 44 años: 23,5 millones (22,7%)
Si usamos muestreo estratificado proporcionado, la muestra deberá tener estratos que
guarden las mismas proporciones observadas en la población. Si en este ejemplo queremos crear
una muestra de 1.000 individuos, los estratos tendrán que tener un tamaño como sigue:
(2) Muestreo estratificado uniforme
Hablaremos de una afijación uniforme cuando asignamos el mismo tamaño de muestra a
todos los estratos definidos, sin importar el peso que tienen esos estratos en la población. Siguiendo
con el ejemplo anterior, un muestreo estratificado uniforme definiría la siguiente muestra por
estrato:

Esta técnica favorece los estratos que tienen menos peso en la población, equiparándolos
en importancia a los estratos más relevantes. Globalmente, reduce la eficiencia de nuestra muestra
(menor precisión en los resultados), pero como contrapartida permite estudiar características
particulares de cada estrato con mayor precisión. En nuestro ejemplo, si queremos emitir alguna
afirmación específica sobre la población del estrato 3 (mayores de 44 años), podremos hacerlo con
menor nivel de error muestral si empleamos una muestra de 333 unidades que si lo hacemos con
una muestra de 227 (como ocurría en el muestreo estratificado proporcional).

(3) Muestreo estratificado óptimo (respecto a la desviación estándar)


En este caso, el tamaño de los estratos en la muestra no guardará proporcionalidad con la
población. Por el contrario, se define el tamaño de los estratos proporcionalmente a la desviación
estándar de las variables objeto de estudio. Es decir, se toman estratos de mayor tamaño en los
estratos con mayor variabilidad interna para representar mejor en el total de la muestra los grupos
poblacionales más difíciles de estudiar.

Eficiencia de los diferentes muestreos estratificados


El muestreo estratificado proporcional produce siempre menor o igual error muestral que
el muestreo aleatorio simple, es decir, es más preciso. La igualdad se produce cuando las medias
o las proporciones que estamos analizando son iguales en todos los estratos. Por lo tanto, la
estratificación produce más beneficio cuanto más diferentes sean los estratos entre sí.
El muestreo estratificado óptimo es siempre igual o más preciso que el muestreo
estratificado proporcional. Ambos métodos son igual de precisos cuando las desviaciones típicas
dentro de cada estrato son iguales, en cuyo caso ambos métodos son totalmente equivalentes. Por
lo tanto, la estratificación óptima produce más beneficio cuanto más diferencias existan entre las
desviaciones dentro de cada grupo, situación en la que podremos reducir el tamaño muestral de los
grupos más homogéneos en beneficio de los más heterogéneos. Como contrapartida, es un método
más complejo y que requiere tener mucha información a priori de la muestra que estudiamos, algo
que normalmente no tenemos.
Las razones para el uso del muestreo estratificado son las siguientes:
-El muestreo estratificado puede aportar información más precisa de algunas
subpoblaciones que varían bastante en tamaño y propiedades entre sí, pero que son homogéneas
dentro de sí. Los estratos deberían en lo posible estar constituidos por unidades homogéneas.
-El uso adecuado del muestro estratificado puede generar ganancia en precisión, pues al
dividir una población heterogénea en estratos homogéneos, el muestreo en estos estratos tiene poco
error debido precisamente a la homogeneidad.
-Motivaciones de tipo geográfico ya que se requieren estimaciones para ciertas áreas o
regiones geográficas.

Las cuestiones que plantea este tipo de muestreo son:


¿Qué características utilizar para dividir la población en estratos?
¿Cómo se identificaran los estratos?
¿Cuantos estratos debe haber?
¿Cuántas unidades seleccionar de cada estrato?

Tamaños de muestra requeridos por cada técnica


Vemos que la estratificación puede proporcionar beneficios. Si estas técnicas pueden
emplearse para estimar de forma más precisa ya sean medias (p.e. media de cigarrillos consumidos
por los fumadores de México) o proporciones (p.e. proporción de la población de México que
fuma), también pueden permitirnos reducir el tamaño de muestra requerido para lograr una
estimación con un nivel de error determinado.
La siguiente tabla resume el tamaño de muestra requerido al emplear cada técnica, en
función del error máximo que estamos dispuestos a aceptar y de las características del propio
universo, que consideraremos de tamaño infinito (si fuese finito, debe aplicarse un factor de
corrección).

Para interpretar el cuadro anterior es necesario tener en cuenta lo siguiente:


Z = Es la desviación del valor medio que aceptamos para lograr el nivel de confianza
deseado. En función del nivel de confianza que busquemos, usaremos un valor determinado que
viene dado por la forma que tiene la distribución de Gauss. Los valores más frecuentes son:
Nivel de confianza 90% -> Z=1,645
Nivel de confianza 95% -> Z=1,96
Nivel de confianza 99% -> Z=2,575
L es el número de estratos en que particionamos la muestra y h es un índice que se refiere
a un estrato concreto. Por lo tanto, h puede variar entre 1 y L estratos.
p es la proporción que buscamos en el total de la población (p.e. % de fumadores). Por lo
tanto, (1-p) es la proporción de la muestra complementaria, la que no cumple el criterio buscado
(no fumadores). Del mismo modo, ph es dicha proporción dentro de cada uno de los estratos.
σ2 es la varianza que el dato buscado (en el caso de estimar medias) tiene en el total de la
población. Asimismo, σh2 es la varianza dentro de cada estrato.
e es el margen de error aceptado.
Wh es el peso que el estrato tiene en la muestra (tamaño del estrato respecto al total de la
muestra). Si hablamos de estratificación proporcional, cada Wh es igual a la proporción que ese
estrato representa en la población. Si hablamos de estratificación óptima, cada Wh se calcula en
función de la dispersión dentro de cada estrato.
Es posible demostrar a partir de las fórmulas anteriores que los diferentes métodos de
estratificación sólo reducen el tamaño de la muestra si los valores de p y σ varía entre estratos. De
lo contrario, todas las expresiones son equivalentes. Veamos un ejemplo: si tomamos la expresión
de tamaño de muestra requerido para estimar una media mediante un muestreo estratificado óptimo
(ignorando el parámetro Z en este caso)

Y consideramos que todas las varianzas de los estratos son iguales (σh=σ) y que el tamaño
de los estratos es idéntico (Wh=1/L), el resultado que obtenemos es

Ventajas del Muestreo Aleatorio Estratificado


-Contempla una fuente de variabilidad, lo cual disminuirá el error al extrapolar las
conclusiones del estudio al conjunto de toda la población.
-Es posible estudiar cada estrato como una subpoblación en sí mismo, llegando a
conclusiones sobre el comportamiento del carácter bajo estudio en dicho estrato.
Principales desventajas
-Si a la hora de formar los estratos nos basamos en supuestos incorrectos, esto puede llevar
a conclusiones erróneas en el estudio. Por ello es imprescindible que los estratos se formen en base
a consideraciones obvias como localización espacial, altitud, edad, etc.
Al igual que en un M.A.S. hay que disponer de un censo de cada uno de los estratos en que
hemos dividido la población.
-M UESTREO POR CONGLOMERADOS

El muestreo por conglomerados es una técnica que aprovecha la existencia de grupos o


conglomerados en la población que representan correctamente el total de la población en relación a
la característica que queremos medir. Dicho de otro modo, estos grupos contienen toda la
variabilidad de la población. Si esto sucede, podemos seleccionar únicamente algunos de estos
conglomerados para realizar el estudio.
El muestreo por conglomerados es un procedimiento de muestreo probabilístico en que los
elementos de la población son seleccionados al azar en forma natural por agrupaciones.
Los elementos del muestreo se seleccionan de la población de manera individual, uno a la vez.

Las unidades de muestreo o grupos pueden ser espaciados, tal como ocurre naturalmente
en las unidades geográficas o físicas (por ejemplo: estados, delegaciones o distritos); en base a una
organización como escuelas, grado escolar; o servicio telefónico tales como códigos de área o el
cambio de las claves lada de los números de teléfono. La heterogeneidad del grupo es fundamental
para un buen diseño del muestreo por conglomerados. Por otra parte, los elementos dentro de cada
grupo debe ser tan heterogéneos como la población objetivo
Podemos ver esta técnica desde otro punto de vista. Mientras que en todas las técnicas
vistas hasta ahora las unidades de muestreo coinciden con las unidades a estudiar (individuos), en
el muestreo por conglomerados las unidades de muestreo son grupos de unidades de estudio, algo
que puede resultar muy beneficioso en relación al coste del propio muestreo. A cambio, es habitual
obtener una menor precisión al usar esta técnica, causada por falta de heterogeneidad dentro de los
conglomerados.

El proceso de muestreo
El primer paso para aplicar esta técnica es definir los conglomerados. Se trata de identificar
una característica que permita dividir la población en grupos disjuntos (sin solapamiento) y
exhaustiva (todos los individuos deben estar en un grupo), de tal manera que los grupos no difieran
entre sí en relación a aquello que queremos medir. Una vez hemos definido estos conglomerados,
seleccionaremos al azar algunos de ellos para estudiarlos.

Un criterio habitual para definir conglomerados es el geográfico. Por ejemplo, si queremos


estudiar qué proporción de la población argentina fuma, podemos dividir el total de la población
en provincias y seleccionar algunas de ellas para ser estudiadas. Si no tenemos razones para pensar
que el % de fumadores va a cambiar de una provincia a otra, esta solución nos permitirá concentrar
el esfuerzo de muestreo en un único entorno geográfico. Si el estudio se va a hacer mediante
entrevistas personales, esto representa un importante ahorro de costes de desplazamientos.
Una vez definimos los conglomerados, el siguiente paso es seleccionar los conglomerados
a estudiar, ya sea mediante un muestreo aleatorio simple o sistemático.
Por último, una vez hemos seleccionado los conglomerados a estudiar, podemos investigar
a todos los sujetos que forman parte de los mismos, o bien aplicar un nuevo proceso de muestreo
dentro del conglomerado, por ejemplo obteniendo una muestra mediante muestreo aleatorio simple
o sistemático. Si optamos por esta posibilidad, estaremos hablando de un muestreo en dos etapas
o bietápico: la primera etapa es la selección del conglomerado, la segunda la de individuos dentro
del conglomerado. Si por el contrario estudiamos todos los individuos del conglomerado,
hablaremos de muestreo por conglomerados unietápico.

Muestreo estratificado y muestreo por conglomerados


La idea del muestreo por conglomerados recuerda a la del muestreo estratificado. En ambos
casos dividimos la población en grupos. Sin embargo, los principios detrás de ambas técnicas son
en cierto modo opuestos.
El muestreo estratificado es especialmente adecuado cuando los grupos (estratos) son muy
homogéneos internamente y muy diferentes entre sí. En ese caso, conviene asegurar que tenemos
representantes en nuestra muestra que provienen de todos los estratos. Por el contrario, el muestreo
por conglomerados es muy adecuado cuando los grupos en que dividimos la población son muy
similares entre sí, por lo que no hay gran diferencia entre estudiar individuos de un grupo o de
otro.
Es por ello que pese a que ambas técnicas dividen la población (en estratos o
conglomerados) el proceso de selección de individuos es radicalmente diferente.

Ventajas y desventajas del muestreo por conglomerados


La principal ventaja de esta técnica es de tipo operativa: seleccionar un conglomerado a
estudiar suele ser más fácil y económico que hacer una muestra aleatoria o sistemática. Hemos
visto por ejemplo que usar conglomerados geográficos puede representar un importante ahorro en
desplazamientos de personas.
Curiosamente, es habitual hacer estudios a través de Internet en los que se sigue pensando
en términos de estudiar sólo unas zonas geográficas, cuando en realidad a través de Internet no
obtenemos ningún beneficio operativo; al contrario, incurrimos en mayor riesgo de tener menor
precisión por diferencias entre las regiones estudiadas y el resto de la población. Esta práctica es
una herencia injustificada de técnicas que eran buenas en entrevistas personales, pero que no lo
son al usar otras metodologías.
Como principal inconveniente, al usar muestreo por conglomerados corremos un riesgo
importante: que los conglomerados no sean realmente homogéneos entre ellos. En el ejemplo
anterior sobre fumadores en Argentina, podría suceder que en una de las provincias exista más
propensión a fumar, por ser una región más urbana, por razones culturales, etc.

Eficiencia del muestreo por conglomerados


¿Cómo podemos comparar esta técnica con otras vistas con anterioridad? Lo bien o mal
que va a funcionar esta técnica va a depender, de forma similar a como ocurría en el muestreo
estratificado, de la relación entre varianza dentro y fuera de los conglomerados.
Esta relación se suele expresar con un coeficiente de correlación intraconglomerados
(δ), que se define como el coeficiente de correlación lineal entre todos los pares de valores de la
variable en estudio medidos sobre las unidades de los conglomerados y extendido a todos los
conglomerados. En definitiva, este coeficiente es una medida de la homogeneidad en el interior de
los conglomerados.
Cuanto menor sea el coeficiente de homogeneidad intraconglomerados δ, mayor eficiencia
arrojará el muestreo por conglomerados. Recordemos que lo ideal es que los conglomerados sean
tan heterogéneos como el total de la muestra, con el fin de que la selección de un conglomerado
concreto nos de la misma información que la selección de individuos al azar del total de la
población.
Si comparamos el muestreo aleatorio simple con el muestreo por conglomerados, es
posible demostrar que si δ=0 ambos métodos son equivalentes. Esta condición implica que los
conglomerados son exactamente tan heterogéneos como el total de la población. El peor caso
sería δ=+1, mientras que el más favorable sería el de δ=-1/(M-1), donde M es el tamaño del
conglomerado. Sin embargo, normalmente δ va a ser siempre mayor que 0, ya que lo normal es
que las unidades de un conglomerado tengan cierto parecido entre sí.
Otra forma de ver el impacto de este problema es calcular el tamaño de muestra necesario
al emplear muestreo por conglomerados para lograr la misma precisión de un muestreo aleatorio
simple. Esta expresión es la que sigue
nc = na (1 + (M-1) δ)
Donde nc es el tamaño de muestra en muestreo por conglomerados y naes el tamaño de
muestra que necesitaríamos en muestreo aleatorio simple. Por lo tanto, el factor (1+ (M-1) δ es la
variación del tamaño de muestra que necesitamos debido al uso de conglomerados. Normalmente
será un incremento. Este factor se conoce como efecto de diseño.
-TÉCNICAS DE MUESTREO NO PROBABILÍSTICO

El muestreo no probabilístico (o muestreo no aleatorio) es la técnica de muestreo donde los


elementos son elegidos a juicio del investigador. No se conoce la probabilidad con la que se puede
seleccionar a cada individuo.
El muestreo no probabilístico se utiliza cuando es imposible o muy difícil obtener
la muestra por métodos de muestreo probabilístico.
Las muestras seleccionadas por métodos de muestreo no aleatorios intentan
ser representativas bajo los criterios del investigador, pero en ningún caso garantizan la
representatividad.

En cualquier tipo de investigación es difícil lograr un muestreo aleatorio auténtico.


La mayoría de los investigadores tienen limitaciones temporales, monetarias y de mano de
obra y, gracias a ellas, es casi imposible tomar una muestra aleatoria de toda la población.
Generalmente, es necesario emplear otra técnica de muestreo, la técnica de muestreo no
probabilístico.
A diferencia del muestreo probabilístico, la muestra no probabilística no es un producto de
un proceso de selección aleatoria. Los sujetos en una muestra no probabilística generalmente son
seleccionados en función de su accesibilidad o a criterio personal e intencional del investigador.
La desventaja del método de muestreo no probabilístico es que no se toman pruebas de una
porción desconocida de la población. Esto implica que la muestra puede representar a toda la
población con precisión o no. Por lo tanto, los resultados de la investigación no pueden ser
utilizados en generalizaciones respecto de toda la población.
-M UESTREO BOLA DE NIEVE

El muestreo de bola de nieve es una técnica de muestreo no probabilístico utilizada por los
investigadores para identificar a los sujetos potenciales en estudios en donde los sujetos son
difíciles de encontrar.

Los investigadores utilizan este método si la muestra para el estudio es muy rara o si está
limitada a un subgrupo muy pequeño de la población. Este tipo de técnica de muestreo funciona
en cadena. Luego de observar al primer sujeto, el investigador le pide ayuda a él para identificar a
otras personas que tengan un rasgo de interés similar.
El proceso de muestreo de bola de nieve es como pedirles a tus sujetos que designen a otra
persona con el mismo rasgo como el próximo sujeto. Luego, el investigador observa a los sujetos
designados y sigue de la misma manera hasta obtener el número suficiente de sujetos.
Por ejemplo, para obtener sujetos para un estudio que quiere analizar una enfermedad rara,
el investigador puede elegir utilizar el muestreo de bola de nieve, ya que será difícil obtener sujetos.
También es posible que los pacientes con la misma enfermedad tengan un grupo de apoyo, y si
uno de sus miembros es tu primer sujeto, lo más probable es que allí encuentres más sujetos para
el estudio.
Tipos de muestreo de bola de nieve
Muestreo de bola de nieve lineal

Muestreo de bola de nieve no discriminatorio exponencial

Muestreo de bola de nieve discriminatorio exponencial

Ventajas del muestreo de bola de nieve


-El proceso en cadena permite que el investigador llegue a poblaciones que son difíciles de
probar cuando se utilizan otros métodos de muestreo.
-El proceso es barato, simple y rentable.
-Esta técnica de muestreo necesita poca planificación y menos mano de obra que
otras técnicas de muestreo.
Desventajas del muestreo de bola de nieve
-El investigador tiene poco control sobre el método de muestreo. Los sujetos que el
investigador puede obtener se basan principalmente en los sujetos observados anteriormente.
-La representatividad de la muestra no está garantizada. El investigador no tiene ni idea de
la verdadera distribución de la población ni de la muestra.
-El sesgo de muestreo es también un miedo de los investigadores cuando se utiliza esta
técnica. Los primeros sujetos tienden a designar a personas que conocen bien. Como consecuencia,
es muy posible que los sujetos compartan los mismos rasgos y características y, por lo tanto, la
muestra que obtenga el investigador será sólo un pequeño subgrupo de toda la población.
-M UESTREO DE CONVENIENCIA

El muestreo de o por conveniencia es una técnica de muestreo no probabilístico donde los


sujetos son seleccionados dada la conveniente accesibilidad y proximidad de los sujetos para el
investigador.
Los investigadores utilizan el muestreo de conveniencia no sólo porque es fácil de usar,
sino porque también tiene otras ventajas para la investigación.
En Pruebas Piloto, la muestra de conveniencia se suele utilizar ya que permite al
investigador obtener los datos básicos y las tendencias con respecto a su estudio, sin las
complicaciones del uso de una muestra aleatoria.
Esta técnica de muestreo es también útil para documentar que una calidad particular de una
sustancia o fenómeno se produce dentro de una muestra dada. Tales pruebas piloto, o de prueba
inicial son también muy útiles para la detección de relaciones entre los fenómenos diferentes.

Los sujetos de una investigación específica, son seleccionados para el estudio sólo porque
son más fáciles de reclutar y el investigador no está considerando las características de inclusión
de los sujetos que los hace representativos de toda la población.
En todas las formas de investigación, sería ideal generalizar los resultados a la totalidad de
la población, pero en la mayoría de los casos, la población es demasiado grande y resulta imposible
incluir cada individuo. Esta es la razón por la cual la mayoría de los investigadores utilizan técnicas
de muestreo, como el muestreo de conveniencia, la más común de todas las técnicas de muestreo.
Muchos investigadores prefieren esta técnica de muestreo, ya que es rápida, barata, fácil y sobre
todo, los sujetos están disponibles.
Cuando se utiliza el muestreo por/ de conveniencia, es necesario describir cómo la muestra
de las pruebas en la investigación actual sería diferente de la muestra ideal, seleccionada al azar.
También es necesario describir los individuos que podrían quedar por fuera durante el proceso de
selección o los individuos que están sobrerrepresentados en la muestra.
En relación a esto, es mejor si se pueden describir los posibles efectos que, los sujetos no-
incluidos en la muestra o los que están sobrerrepresentados, pueden proporcionar a los resultados.
Esto permitirá a los lectores de la investigación obtener una buena comprensión de la muestra que
se prueba. También les permitirá estimar la posible diferencia entre los resultados en ésta prueba
piloto y los resultados que se podrían dar si representada correctamente toda la población.
-M UESTREO DE CUOTAS

El muestreo por cuotas es una técnica de muestreo no probabilístico en donde la muestra


reunida tiene la misma proporción de individuos que toda la población con respecto al fenómeno
enfocado, las características o los rasgos conocidos.
Asimismo, el investigador debe asegurarse de que la composición de la muestra final que
será utilizada en el estudio cumpla los criterios de cuota de la investigación.
El primer paso para el muestreo por cuotas no probabilístico es dividir a la población en
subgrupos exclusivos.
Luego, el investigador debe identificar las proporciones de estos subgrupos en la población.
Esta misma proporción será aplicada al proceso de muestreo.
Por último, el investigador selecciona sujetos de los diversos subgrupos teniendo en cuenta
las proporciones observadas en el paso anterior.
El último paso asegura que la muestra sea representativa de toda la población. También
permite que el investigador estudie rasgos y características que se ven en cada subgrupo.
Ejemplos
Ejemplo 1.
En un estudio en donde el investigador quiere comparar el rendimiento académico de los
diferentes niveles de clases del secundario, su relación con el género y la situación
socioeconómica, el investigador identifica primero los subgrupos. Por lo general, los subgrupos
son las características o variables del estudio. El investigador divide a toda la población en niveles
de clase, cruzados con el género y el nivel socioeconómico. Luego, toma nota de las proporciones
de estos subgrupos en toda la población y a continuación hace un muestreo de cada subgrupo.

Ejemplo 2.
En una encuesta de opinión de las elecciones en el Estado de México se busca a 20
individuos de 25 a 40 años, de sexo femenino y residentes en Ecatepec. Una vez determinada la
cuota se eligen los primeros que se encuentren que cumplan esas características.

Ejemplo 3.
En un estudio en el que hayamos definido una cuota de 100 personas menores de 25 años
y 100 personas de 25 o más años, podríamos salir a la calle y abordar a las personas que
encontramos a nuestro paso, preguntarles su edad y encuestarlas si no hemos cubierto nuestro
objetivo.

¿Cuándo utilizar muestras por cuotas?

La razón principal por la que los investigadores eligen muestras por cuotas es que permiten
que los investigadores hagan un muestreo de un subgrupo que es de gran interés para el estudio.
Si un estudio tiene como objetivo investigar una característica o rasgo de un determinado
subgrupo, ésta es la técnica ideal.
El muestreo por cuotas también permite que los investigadores observen las relaciones
entre los subgrupos. En algunos estudios, los rasgos de un determinado subgrupo interactúan con
otros rasgos de otro subgrupo. En tales casos, también es necesario que el investigador utilice este
tipo de técnica de muestreo.
Ventajas de las muestras por cuotas.
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.

Desventajas de las muestras por cuotas.


Puede parecer que esta técnica de muestreo es totalmente representativa de la población.
En algunos casos no es así. Debes tener en cuenta que se han tenido en cuenta sólo los rasgos
seleccionados de la población para formar los subgrupos.

En el proceso de muestreo de estos subgrupos, otros rasgos de la muestra pueden ser


representados de más. En un estudio que tiene en cuenta el género, el nivel socioeconómico y la
religión como base de los subgrupos, la muestra final puede tener una representación sesgada de
la edad, la raza, el nivel educativo alcanzado, el estado civil y mucho más.
-M UESTREO DE JUICIO

El método de muestreo discrecional (o muestreo por juicio) 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. Puede basarse
en la experiencia de otros estudios anteriores o en su conocimiento sobre la población y el
comportamiento de esta frente a las características que se estudian.

Cuándo utilizarlo
Este método de muestreo es aconsejable cuando el responsable del estudio conoce estudios
anteriores similares o idénticos y sabe con precisión que la muestra que utilizaron fue útil para el
estudio, si la población es muy reducida y conocida por el investigador.
Ventajas.
Se requiere de información o características muy específicas para seleccionar la muestra y
por lo tanto es más confiable (por cuota)
Se hace la selección de la muestra de acuerdo al juicio del investigador, de esta forma es
más específico en buscar el tema que quiere conocer (por juicio)
Este tipo de muestreo reduce costos y tiempo
Desventajas.
Difícil generalizar a otros sujetos
Los resultados dependen de las características únicas de la muestra
Mayor probabilidad de error debido al investigador o influencia del sujeto
No son representativas de ninguna población definida
No tienen ningún sentido teórico generalizar a una población

Ejemplos
Ejemplo 1
Supongamos que el investigador va a relazar un estudio sobre el nivel de satisfacción del
profesorado de cierta universidad. El estudio se suele realizar cada dos años, por lo que el
responsable del estudio gracias a sus experiencias y antecedentes, sabe perfectamente cual puede
ser la mejor muestra para el estudio.

Ejemplo 2
A un jefe de estudio le encomiendan un estudio del nivel de satisfacción de los alumnos
con un determinado profesor. El investigador, que conoce a todos los alumnos de esa clase, decide
utilizar el muestreo discrecional seleccionado a los alumnos que cree que serán los más
representativos.

Ejemplo 3
Un investigador hace la selección de la muestra de acuerdo a su juicio, de esta forma es
más específico en buscar el tema que quiere conocer (por juicio y por conveniencia).
-M UESTREO DE GRUPO O POR ÁREAS

Muestreo probabilístico en racimo en el que por falta de listas ordenadas se determinan


áreas geográficas a partir de planos (por ejemplo, manzanas de casas de una ciudad). Una vez
elegidas al azar las áreas a muestrear, se entrevista a todos los elementos de esos grupos (por
ejemplo, hogares en esas manzanas o bien en un racimo de dos niveles) se hace un muestreo
aleatorio simple de cada uno de esos grupos, o un muestreo con probabilidad proporcional al
tamaño de cada grupo (por ejemplo, cuando el número de hogares en cada manzana es muy
distinto). Tiene la ventaja de tener que estudiar solamente un reducido número de grupos y
elementos.
CONCLUSIONES
GLOSARIO
http://www.chospab.es/calidad/archivos/Metodos/Muestreo.pdf