INTRODUCCIÓN TEÓRICA

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.
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.

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...

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 conveniencia, muestreo secuencial,
muestreo por cuotas, muestreo discrecional y muestreo por bola de nieve.

El muestreo aleatorio simple (M.A.S.) es la técnica de muestreo en la que todos los elementos que
forman el universo y que, por lo tanto, están descritos en el marco muestral, tienen idéntica
probabilidad de ser seleccionados para la muestra. Sería algo así como hacer un sorteo justo entre los
individuos del universo: asignamos a cada persona un boleto con un número correlativo, introducimos
los números en una urna y empezamos a extraer al azar boletos. Todos los individuos que tengan un
número extraído de la urna formarían la muestra.
Dependiendo de si los individuos del universo pueden ser seleccionados más de una vez en la muestra,
hablaremos de M.A.S. con reposición o sin reposición. Si usamos reposición, el hecho de que
seleccione un individuo al azar para mi muestra no impediría que este mismo individuo pudiese volver
a ser seleccionado en una siguiente selección.
el muestreo aleatorio simple sin reposición siempre es más eficiente.
Beneficios del muestreo aleatorio simple

El desarrollo de la informática ha permitido que diseñar una muestra aleatoria simple sea
extremadamente rápido y fiable. La generación de números aleatorios mediante software -
estrictamente son números pseudo-aleatorios - es cada vez más fiable.

De esta forma, al usar M.A.S. nos aseguramos la obtención de muestras representativas, de manera
que la única fuente de error que va a afectar a mis resultados va a ser el azar. Y lo que es más
importante, este error debido al azar puede calcularse de forma precisa (o al menos acotarse). Puedes
consultar el siguiente post para obtener más información.
Inconvenientes del muestreo aleatorio simple
El único inconveniente del M.A.S. es la dificultad de llevarlo a la práctica en investigaciones reales.
Recordemos: al ser una técnica probabilística, necesito un marco muestral con todos los individuos y
que todos ellos sean seleccionables para mi muestra. Un requisito que difícilmente puede cumplirse
en la mayoría de estudios de mercado y opinión reales, lo que nos obligará a emplear otras técnicas.

El muestreo por conveniencia

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.

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.
Ventajas e inconvenientes

Dadas las características de este tipo de muestreo, sus pros y sus contras son evidentes.

La principal virtud del muestreo por conveniencia... ¡es su conveniencia! Simple, económico,
rápido... Nos puede dar información valiosa en muchas circunstancias, especialmente cuando no
existen razones fundamentales que diferencien a los individuos que tengo accesibles de los que
forman el total de la población.
El principal defecto, la falta de representatividad, la imposibilidad de hacer aseveraciones
estadísticas sobre los resultados y el riesgo de incurrir en sesgos debido al criterio de muestreo
empleado. En el peor de los casos, mi muestra conveniente puede presentar un sesgo sistemático
respecto al total de la población, lo que produciría resultados distorsionados.
Margen de error y nivel de confianza
Es un tema que tratamos en un post anterior. No es correcto usar muestreo por conveniencia y
expresar los resultados del estudio indicando un margen de error y un nivel de confianza. Sin
embargo, es algo que se suele hacer.
Si optas por calcular ese margen de error, deberías indicar que no corresponde a la muestra empleada,
sino a una muestra del tamaño aleatoria simple de ese tamaño. Y, en cualquier caso, siempre que
usemos una muestra por conveniencia, deberíamos acompañar los resultados con una descripción de
cómo se ha obtenido dicha muestra para que el lector valore qué credibilidad puede dar a los
resultados.