Técnicas de conteo muestreo probabilístico y no probabilístico

Juan José Duarte Rodríguez & Jorge Jordy Jaimes Niño.

Mayo 2018.

Universidad Industrial de Santander.

Santander.
Estadística Económica
Gonzalo Díaz
 INTRODUCCIÓN

Las técnicas de muestreo son un conjunto de técnicas estadísticas que estudian la forma de
seleccionar una muestra representativa de la población, es decir, que represente lo más
fielmente posible a la población a la que se pretende extrapolar o inferir los resultados de la
investigación, asumiendo un error mesurable y determinado.

Cuando queremos estudiar alguna característica de una población para obtener el máximo
de información veraz, se nos plantea un problema relacionado con la elección de los
individuos. Puesto que no podemos estudiar a toda la población por varias razones (proceso
largo y coste elevado, entre otros), debemos elegir estudiar una muestra que sea
representativa y que nos permita extrapolar los resultados que obtengamos a la población
de referencia.

Sin embargo, debemos considerar que el empleo de técnicas de muestreo implica una serie
de ventajas y limitaciones.

 Entre las ventajas se incluyen una mayor eficiencia en términos económicos y

mayor rapidez de obtención de resultados. Por ejemplo, si para realizar nuestro
estudio necesitamos una muestra de ‘x’ pacientes, considerando que ésta sea
representativa de la población de estudio, y recogemos información acerca de ‘x +
100’, estamos derrochando más dinero y tiempo del necesario. Si empleamos sólo el
tamaño muestral necesario, seleccionando la muestra de manera que represente lo
más fielmente posible a la población, podremos obtener también mayor validez,
puesto que el tiempo y dinero ahorrados se podrán emplear en recoger la
información o variables del estudio con mayor precisión y fiabilidad, implicando
una mayor validez interna final del estudio.

 Por otra parte, entre las limitaciones de las técnicas de muestreo se incluyen los
errores que se pueden cometer, como son el error aleatorio y el error sistemático o
sesgo, de todo esto hablaremos más adelante.
 MUESTREO
En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los
elementos de una población), se selecciona una muestra, entendiendo por tal una parte
representativa de la población.

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.

Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en

general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y
métodos de muestreo no probabilísticos.
 MUESTREO PROBABILÍSTICO
Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas
las posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo
estos métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra
extraída y son, por tanto, los más recomendables. Dentro de los métodos de muestreo
probabilísticos encontramos los siguientes tipos:

Muestreo aleatorio simple

En este método cada posible muestra que pertenece a una población, tiene la misma
probabilidad de ser elegida como parte del tamaño de la muestra final necesaria para el
experimento. 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. Obviamente, en la práctica estos métodos pueden automatizarse
mediante el uso de ordenadores.

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. Sería equivalente a
decir que cada vez que extraigo un número al azar de mi urna, vuelvo a colocar el número
antes de la siguiente extracción. Si por el contrario no usamos reposición, un individuo
seleccionado para la muestra una vez ya no entraría nuevamente en el sorteo.
La pregunta obvia es, ¿qué es mejor, usar reposición o no usar reposición? Es un simple
problema matemático. César Pérez López, en su libro "Muestreo Estadístico" (Pearson,
2005) desarrolla de forma muy clara una comparación entre ambas técnicas. Tanto si lo
miramos desde el punto de vista de qué técnica genera estimaciones más precisas como
desde el punto de vista de qué técnica me permite tener la misma precisión con menor
tamaño de muestra, se puede concluir que el muestreo aleatorio simple sin reposición
siempre es más eficiente.

 Características del muestreo aleatorio simple:

 La facilidad que permite el muestreo aleatorio simple es muy practica a la hora de

trabajar con poblaciones pequeñas

 La característica que tiene de que cada individuo tenga la misma probabilidad de ser
elegido la hace más justa

 Es difícil aplicarlo en problemas reales, problemas donde toda la población

disponible para elegir, sea elegida para el experimento
  Modelo matemático y aplicación:

Tamaño de la muestra para estimar una Tamaño de la muestra para estimar una
proporción población finita

𝑍 2 𝑝(1 − 𝑝) 𝑍 2 𝑝(1 − 𝑝)𝑁

𝑛= 𝑛= 2
𝑒2 𝑒 (𝑁 − 1) + 𝑍 2 𝑝(1 − 𝑝)

Aplicación tamaño de la muestra para una proporción y una población finita

 Se quiere estudiar la preferencia de un nuevo partido político en una población,

sobre la cual no se ha hecho ningún estudio anterior. El margen de error máximo a
aceptar es del 2%. Determine el tamaño de la muestra para un nivel de confianza del
90%.

Datos: 𝑍 2 𝑝(1 − 𝑝)
𝑛=
p = 0.5 𝑒2

q = 1-p = 1-0.5 = 0.5

(1,645)2 0.5(1−0.5)
Z = 1.645 𝑛= = 1.691
0.022

e = 0.02
Solución:
La muestra para realizar el estudio debe ser de 1.691 personas con una confianza del 90%
Este método se usa cuando se desconoce el tamaño de la población.

 Se desea saber la proporción de artículos defectuosos en una población de 25.000.

Para un estudio con un nivel de confianza del 95% y un error de 0.2. Suponiendo
que un estudio anterior produjo 18 artículos defectuosos de cada 100, ¿de qué
tamaño debe ser la muestra?
Solución:
𝑍 2 𝑝(1−𝑝)𝑁
𝑛 = 𝑒 2 (𝑁−1)+𝑍 2𝑝(1−𝑝)

1.962 0.82(1−0.82)25000
𝑛 = 0.22 (25000−1)+1.9620.82(1−0.82) = 14,1674

La muestra para realizar un estudio con un nivel de significancia del 95% debe ser de 14
artículos para una población de 25000 con un error del 20%.

Aplicamos este método cuando conocemos el tamaño de la población, o sea, cuando es

finita y se representa con N.

¿Bajo qué condición se debería usar el muestreo aleatorio simple?

El método de muestreo aleatorio simple debe utilizarse cuando los individuos de la

población son homogéneos respecto a las características a estudiar (es decir, a priori no
sabemos si los resultados van a ser muy diferentes por causa de otras variables)

Muestreo sistemático

En el muestreo sistemático, los elementos son seleccionados de la población dentro de un

intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio. Si tuviera que
entrevistar a cada vigésimo estudiante de una universidad, escogería un punto de inicio
aleatorio entre los primeros 20 nombres del directorio estudiantil y luego seleccionaría cada
veintavo nombre de ahí en adelante.

También se sigue utilizando para seleccionar individuos a lo largo del tiempo. Por ejemplo,
para estudiar la satisfacción de un servicio, podemos elegir sistemáticamente encuestar a 1
de cada n clientes que nos visitan. En estas circunstancias, en las que puede existir diferente
varianza entre individuos en diferentes periodos de tiempo, el muestreo sistemático puede
ser incluso más preciso que el muestreo aleatorio puro.
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.

 Características del muestreo sistemático:

 En el muestreo sistemático, a diferencia del muestreo aleatorio simple, cada

elemento no tiene la misma probabilidad de ser elegido para la muestra.
  La propiedad de representatividad es, en ocasiones, superior a la del muestreo
aleatorio simple. Resaltando que es más rápida y simple.

 Modelo matemático y aplicación:

𝑵
𝒌=
𝒏

Los elementos antes que nada se deben ordenar y así crear un marco muestral; este se
representa con: N. Esto lo dividimos sobre el numero de la muestra que deseamos que, se
representa con: n. Por otro lado, k sería el intervalo de elección a cumplir en el marco
muestral.

 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:

𝟔𝟎
𝒌= =𝟓
𝟏𝟐
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:
¿Bajo qué condición se debería usar el muestreo sistemático?

Cuando el orden de los elementos influye en la interpretación final o cuando se necesite un

experimento más rápido y sencillo.

Muestreo 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.).

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.

 Características del muestreo estratificado:

 Capacidad para estimar no sólo los parámetros de población, sino también para
hacer inferencia dentro de cada estrato y las comparaciones entre los estratos. Datos
suficientes sobre subgrupos de interés quizá no puedan ser capturados en el
muestreo aleatorio simple. Las muestras estratificadas producen pequeños errores de
muestreo al azar que los que son obtenidos con una muestra aleatoria simple del
mismo tamaño de la muestra. Un muestreo estratificado dará lugar a una muestra
que es al menos tan precisa como una muestra aleatoria simple del mismo tamaño
de la muestra.

 Las muestras estratificadas tienden a ser más representativas de una población

debido a que se asegura de que los elementos de cada estrato en la población están
representados en la muestra. El muestreo puede ser estratificado para asegurar que
la muestra se extiende sobre subáreas geográficas y subgrupos de población.
  Modelo matemático y aplicación:

La muestra se elige escogiendo en cada estrato un número representativo de individuos. La

elección de los elementos en cada estrato se realiza mediante algún método de muestreo
aleatorio simple o muestreo sistemático.

Suponemos que hay k estratos de tamaños N1, N2…, Nk, de forma que:

𝑵 = 𝑵𝟏 + 𝑵𝟐 + 𝑵𝟑 + 𝑵𝟒 … 𝑵𝒌

En cada estrato se toman n1, n2…, nk elementos para la muestra, de manera que se toman
en total n individuos, es decir:
𝒏 = 𝒏𝟏 + 𝒏𝟐 + 𝒏𝟑 + 𝒏𝟒 … 𝒏𝒌

Se tomará una muestra que sea representativa del conjunto de la población. El número de
individuos que se eligen de cada estrato se puede decidir mediante diversos criterios:

Elección simple: se toman el mismo número de sujetos de cada uno de los k estratos. De
cada estrato se seleccionarían n/k individuos. Este criterio no es recomendable cuando los
estratos tienen diferente número de individuos.
Elección proporcional al tamaño del estrato: el tamaño de la muestra en cada grupo es
proporcional a los elementos de dicho grupo. En cada estrato se tomarán ni elementos,
calculados mediante la fórmula:

𝑁𝑖
𝑛𝑖 = 𝑛 ∙
𝑁

N = Elementos de la población
𝑁𝑖 = Elementos del estrato i
n = Elementos de la muestra
Elección proporcional a la variabilidad del estrato: si se conoce la variabilidad de la
característica que estamos tomando en cuenta en cada estrato, se toman los sujetos
proporcionalmente a ella en cada grupo. En los grupos donde la varianza es mayor, se
toman, por tanto, más sujetos.

𝜎𝑖 𝑁𝑖
𝑛𝑖= 𝑘
∑𝐽=1 𝜎𝑗 𝑁𝑗

𝜎𝑖 = desviación típica del estrato

N = Elementos de la población
𝑁𝑖 = Elementos del estrato i
n = Elementos de la muestra

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.

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 diferente. 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:

ESTRATO POBLACIÓN PROPORCIÓN MUESTRA

1 42.4 M 41 % 410
2 37.6 M 36.3% 363
3 23.5 M 22.7% 227

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:

ESTRATO POBLACIÓN PROPORCIÓN MUESTRA

1 42.4 M 41 % 334
2 37.6 M 36.3% 333
3 23.5 M 22.7% 333

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).

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.

¿Bajo qué condición se debería usar el muestreo estratificado?

Se utiliza el método de muestreo estratificado cuando los elementos se dividen en estratos y
estos estratos pueden ser diferenciales para la variable que se está estudiando. También,
cuando en las encuestas conocemos datos como la edad, sexo, nivel socioeconómico.
Conviene que la muestre tenga una composición proporcional a los individuos de cada
estrato.

Se utiliza el muestreo estratificado cuando los grupos o estratos son muy homogéneos
internamente y diferentes entre ellos. Si los grupos son muy heterogéneos y no existen
muchas diferencias entre ellos, es recomendable utilizar el muestreo por conglomerados.

Muestreo por conglomerados

El muestreo por conglomerados nos ayuda cuando es imposible o poco práctico crear un
marco de muestreo de una población objetivo debido a que está muy dispersa
geográficamente y el costo de la recopilación de datos es relativamente alto.

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
(clusters). 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 deben ser tan heterogéneos como la población objetivo.

 Características del muestreo por conglomerados:

 Es el diseño probabilístico más rentable y eficiente en términos de tiempo para

grandes áreas geográficas.
 Se pueden utilizar muestras más grandes debido al nivel de accesibilidad de los
miembros del grupo de la muestra.
 Normalmente tiene un índice de error de muestreo más alto que otras técnicas.

 Modelo matemático y aplicación:

𝑀 = ∑𝑛𝑖=1 𝑚𝑖 = elementos en la población (con frecuencia es desconocido)

𝑚 = ∑𝑛𝑖=1 𝑚𝑖 = elementos en la muestra

̅ = 1 ∑𝑛𝑖=1 𝑚𝑖 = tamaño medio de los conglomerados de la población
𝑀 𝑁

1
̅ = 𝑛 ∑𝑛𝑖=1 𝑚𝑖 = tamaño medio de los conglomerados de la muestra
𝑚

 En una ciudad se quiere estimar la proporción de hogares interesados en contratar el

sistema de televisión digital, para lo cual considera a la ciudad dividida en 200
manzanas de viviendas. Se extrae una muestra piloto de 5 manzanas y se interroga a
cada familia acerca de si estaría interesada en contratar la televisión digital. Los
datos de la encuesta se encuentran en la siguiente tabla:

Manzana N° hogares en la N° hogares interesados

manzana
1 8 2
2 7 2
3 9 3
4 6 3
5 5 3

𝑛 = Conglomerados en la muestra
𝑚𝑖 = Elementos en los conglomerados
𝑚 = Elementos en la muestra
𝑦𝑖 = Suma de las observaciones en el conglomerado

𝒎𝒊 𝒚𝒊 𝒎𝟐𝒊 𝒚𝟐𝒊 𝒎 𝒊 𝒚𝒊
8 2 64 4 16
7 2 49 4 14
9 3 81 9 27
6 3 36 9 18
5 3 25 9 15
35 13 255 35 90

a) Hallar la estimación media población

El estimador de la media poblacional 𝜇 es la media 𝑦𝑖

𝑛
1 ∑𝑛𝑖=1 𝑦𝑖
𝜇̅ = 𝑦̅ = ∑ 𝑦𝑖 = 𝑛
𝑚 ∑𝑖=1 𝑚𝑖
𝑖=1

b) Estime la proporción de hogares interesados en contratar el sistema de televisión

digital. Calcule el límite para el error de estimación

𝑛
1 ∑𝑛𝑖=1 𝑎𝑖
𝑝̅ = 𝑦̅ = ∑ 𝑦𝑖 = 𝑛
𝑚 ∑𝑖=1 𝑚𝑖
𝑖=1

Límite para el error de estimación

𝑛 𝑛 𝑛 𝑛

∑ (𝑦𝑖 − 𝑦̅𝑚𝑖 )2 = ∑ 𝑦𝑖2 − 2𝑦̅ ∑ 𝑦𝑖 𝑚𝑖 + 𝑦̅ ∑ 𝑚𝑖2 = 3,3222

𝐼=1 𝑖=𝑖 𝑖=1 𝑖=1

∑𝑛𝑖=1 𝑦𝑖2 = 35 ∑𝑛𝑖=1 𝑚𝑖2 = 255 ∑𝑛𝑖=1 𝑦𝑖 𝑚𝑖 = 90

1 3,3222
𝑆12 = 𝑛−1 ∑𝑛𝐼=1 (𝑦𝑖 − 𝑦̅𝑚𝑖 )2 = = 0,8306
4

̅ debe ser estimada por 𝑚

Ya que M es desconocido, 𝑀 ̅

1 35
̅ = 𝑛 ∑𝑛𝑖=1 𝑚𝑖 =
𝑚 = 7 ℎ𝑜𝑔𝑎𝑟𝑒𝑠 𝑝𝑜𝑟 𝑚𝑎𝑛𝑧𝑎𝑛𝑎
5
 ¿Bajo qué condición se debería usar el muestreo por conglomerados?

Se utiliza el muestreo por conglomerados cuando los grupos son muy heterogéneos y no
existen muchas diferencias entre conglomerados. Se utiliza el muestreo estratificado
cuando los grupos o estratos son muy homogéneos internamente y diferentes entre ellos.

MUESTREO NO PROBALISTICO

El muestreo no probabilístico se basa en el juicio personal del investigador para seleccionar

a los elementos de la muestra. Este decide de manera arbitraria o consciente qué elementos
incluirá en la muestra a investigar. Las muestras no probabilísticas pueden dar buenas
estimaciones de las características de la población; sin embargo, no permiten evaluar
objetivamente la precisión de los resultados de la muestra. Como no hay forma de
determinar la probabilidad de que cualquier elemento particular quede seleccionado para
incluirse en la muestra, no es posible hacer una extrapolación estadística de las
estimaciones obtenidas a la población.

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. 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 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 cuotas

El muestreo por cuotas es un método de muestreo no probabilístico. Se basa en seleccionar

la muestra después de dividir la población en grupos o estratos.
Supongamos que tenemos una población de N individuos y que queremos elegir
una muestra de n sujetos. Tomaremos los individuos para la muestra mediante el siguiente
proceso:

1. La población se divide en k estratos o grupos, tales como la edad, sexo, nivel

educativo, etc. Supongamos que los estratos tienen N1, N2,…, Nk elementos, tales que:

2. El investigador elige las cuotas (número de sujetos) n1, n2,…, nk que se van a tomar de
cada grupo, siendo su suma el total de elementos n de la muestra:

Las cuotas se
pueden decidir a
criterio lógico del
investigador o mediante criterios adaptados a la muestra.

3. Se eligen los elementos en cada estrato o grupo por métodos no probabilísticos. Por
ejemplo, podríamos elegir los elementos de la muestra de nuestra ciudad porque
resulta más cómodo, o de un grupo de voluntarios, etc.
¿BAJO QUÉ CONDICIÓN SE DEBERÍA USAR EL MUESTREO POR CUOTAS?

El muestreo por cuotas se utiliza cuando se tienen datos adicionales de los individuos
(edad, sexo, etc.) y se pueden utilizar ya que el investigador considera que estos datos
pueden influenciar en las características que se estudian.

1. El análisis por estratos permite un posterior análisis de las diferencias entre grupos.
Criterios de elección de las cuotas

Las cuotas de los grupos se pueden elegir a criterio del investigador o mediante
criterios estadísticos. Veamos tres criterios estadísticos:

1. Elección simple: Las cuotas serán las mismas en los k estratos. De cada estrato se
seleccionarían n/k individuos. Este criterio no es recomendable cuando los estratos
tienen diferente número de individuos.

2. Elección proporcional al tamaño del estrato: la cuota en cada grupo es proporcional

a los elementos de dicho grupo. En cada estrato se tomarán ni elementos, calculados
mediante la fórmula:

Por ejemplo, suponemos que estamos haciendo un estudio sobre la vista de la

población de una ciudad. Supongamos que el 30% de la población lleva gafas y el 70%
no. Mediante este método se escogería el 30% de la muestra de personas que lleven
gafas y el 70% del resto.

3. Elección proporcional a la variabilidad del estrato: si se conoce la variabilidad de la

característica que estamos tomando en cuenta en cada estrato, las cuotas son
proporcionales a ella en cada grupo. En los grupos donde la varianza es mayor, la
cuota, por tanto, es mayor.
 DIFERENCIA CON EL MUESTREO ESTRATIFICADO

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 como
en el muestreo estratificado.

Muestreo por conveniencia

El muestreo por conveniencia es un método de muestreo no probabilístico. Consiste en
seleccionar a los individuos que convienen al investigador para la muestra. Esta
conveniencia se produce porque al investigador le resulta más sencillo examinar a estos
sujetos, ya sea por proximidad geográfica, por ser sus amigos, etc.
 EJEMPLOS

1. El médico de un instituto 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.

¿BAJO QUÉ CONDICIÓN SE DEBERÍA USAR EL MUESTREO POR

CONVIVENCIA?

1. El método del muestreo por conveniencia permite seleccionar una muestra con
muchísima facilidad. Suele utilizarse en estudios iniciales para comprobar si se
cumplen las hipótesis que se plantea el investigador. Una vez realizado el estudio, si se
comprueba que los resultados son favorables a sus predicciones, ya se puede plantear
la posibilidad de hacer el estudio con muestras probabilísticas para generalizar el
resultado.

2. Si se quisieran obtener resultados para generalizar a toda la población, este método no

es aconsejable.

Muestreo de bola de nieve

El método de muestreo de bola de nieve (o muestreo por referidos) es un método

de muestreo no probabilístico. El muestreo se realiza sobre poblaciones en las que no se
conoce a sus individuos o es muy difícil acceder a ellos. Podrían ser los casos de sectas
secretas, indigentes, grupos minoritarios, etc.

Se llama muestreo de bola de nieve porque cada sujeto estudiado propone a otros,
produciendo un efecto acumulativo parecido al de la bola de nieve.
 EJEMPLOS

 Un investigador quiere hacer un estudio sobre el comportamiento de los individuos de

una secta secreta. Empieza estudiando a tres integrantes de misma que conoce y ellos
le van presentando a otros sujetos para incluirlos en su estudio.

 Un médico ha tratado a un paciente con una enfermedad rara y decide hacer un

estudio sobre ella. Para ello, recurre al paciente, que le va derivando a sus conocidos
con dicha enfermedad y a través del muestreo de bola de nieve entrevista al número
de individuos que precisa.

¿BAJO QUÉ CONDICIÓN SE DEBERÍA USAR EL MUESTREO POR BOLA DE

NIEVE?

 El muestreo de bola de nieve se utiliza cuando se va a estudiar a una población a la

que es muy difícil acceder. El investigador conoce algún componente de la población y
a través de ellos va completando la muestra.

 El investigador depende mucho de la información que pueda obtener de los sujetos que
estudia, y podría darse el caso de que se quede con muy pocos individuos en
la muestra.
 Muestreo casual

El muestreo casual o accidental 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

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.
 ¿BAJO QUÉ CONDICIÓN SE DEBERÍA USAR EL MUESTREO CASUAL O
ACCIDENTAL?

 Utilizaremos el muestreo casual o accidental únicamente para hacernos una idea de

cuál 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.

Muestreo discrecional

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 ésta frente a las características que se estudian.
Supongamos que el investigador va a realizar 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 su experiencia y sus antecedentes, sabe perfectamente
cuál 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 un determinado profesor. 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.

¿BAJO QUÉ CONDICIÓN SE DEBERÍA USAR EL MUESTREO

DISCRECIONAL?
 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.

Conclusiones

En definitiva, el estudio estadístico por muestreo es un instrumento supremamente útil. La

organización, observación e interpretación de datos sobre cualquiera de los temas en
general, ya sea de carácter cuantitativo o cualitativo, ayuda al investigador a poder
contemplar un panorama reducido; pero representativo de lo que enfrenta.

En el ámbito económico, la estadística inferencial, es una de las herramientas más

utilizadas por su efectividad a la hora de comprender problemas de una sociedad y sus
respectivas soluciones. Los censos, los salarios, los ingresos, el consumo entre otros, son
datos necesarios para la toma de decisiones que afectaran a toda una población. Es sin lugar
a dudas, algo fundamental para un economista o responsable de decisiones coyunturales.

Sin embargo, desde nuestra perspectiva, estos métodos estadísticos no son completamente
fiables por factores externos que condicionan su naturaleza, por ejemplo: la característica
de no poder cubrir por completo una población por cuestiones de costos o tiempo, son
sinsabores que puede dejar un espacio a la duda. No obstante, la estadística ha demostrado,
a pesar de limitaciones externas, ser eficaz en la mayoría de las ocasiones. Además, la
tecnología ha ayudado a que cada vez la duda sobre su efectividad sea menor.
Bibliografía

Anderson, D. Sweeney, D. Williams, T. Estadística para administración y economía 2008

Webster, A. Estadística aplicada a los negocios y la economía 2016