8/21/2020 Muestreo probabilístico: muestreo estratificado

Previous Contacto
Next
ES

Muestreo probabilístico:
April 16, 2015 | Carlos Ochoa

muestreo estratificado
Vimos en un post anterior la definición, las ventajas y los inconvenientes del
muestreo aleatorio simple. Hoy vamos a mostraros otra técnica un poco más
sofisticada: el muestreo estratificado.
Esta técnica, perteneciente a la familia de muestreos probabilísticos, antes de
iniciar el proceso de muestreo divide toda la población objeto de estudio en
diferentes subpoblaciones o estratos disjuntos, de manera que un individuo sólo
puede pertenecer a un estrato. Una vez definidos los estratos, la muestra se crea
seleccionando por separado individuos de cada estrato, empleando una técnica
de muestreo cualquiera. Si, por ejemplo, empleamos muestreo aleatorio simple
en cada estrato, hablaremos de muestreo aleatorio estratificado. Este es el
caso más habitual, pero del mismo modo podríamos usar otras técnicas de
muestreo en cada estrato (muestreo sistemático, aleatorio con reposición, etc.).
Los estratos suelen crearse a partir de 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:
https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 1/11
 1. Los hombres deberían
8/21/2020 Muestreo probabilístico: muestreo estratificado

comportarse de forma parecida

entre ellos.
2. Las mujeres deberían
comportarse de forma muy similar
entre ellas.
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 respecto a un muestreo aleatorio
convencional, mejorando la precisión de nuestros resultados.
Es relativamente habitual definir estratos de acuerdo a algunas variables
sociodemográficas de la población como son 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 dividimos una población en estratos, es habitual que el tamaño de
dichos estratos sea diferente. Por ejemplo, si queremos estudiar el tanto por
ciento 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), podemos definir 3
estratos: menores de 20 años, de 20 a 44 años y mayores de 44 años. Es de
https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 2/11
 esperar que al dividir toda la población mexicana en estos 3 estratos no resulten
8/21/2020 Muestreo probabilístico: muestreo estratificado

grupos de igual tamaño. Efectivamente, si miramos datos oficiales, obtenemos:

* Estrato 1 - Población Mexicana menor de 19 años: 42,4 mil ones (41,0%)
* Estrato 2 - Población Mexicana de 20 a 44 años: 37,6 mil ones (36,3%)
* Estrato 3 - Población Mexicana mayor de 44 años: 23,5 mil ones (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:
 
Muestra
Estrato Población Proporción proporcional
1 42,4M 41,0% 410
2 37,6M 36,3% 363
3 23,5M 22,7% 227
 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:
 
Estrato Población Proporción uniforme Muestra
1 42,4M 41,0% 334
2 37,6M 36,3% 333
3 23,5M 22,7% 333
https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 3/11
8/21/2020 Muestreo probabilístico: muestreo estratificado

Como puedes ver, el tamaño de la muestra es igual en todos los estratos (salvo
pequeñas diferencias debidas al redondeo necesario fruto de dividir 1,000 entre
3), en lugar de seguir las proporciones de la población.
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
globales), pero, como contrapartida, permite estudiar características particulares
de todos los estratos con una precisión mínima mayor. En nuestro ejemplo, si
queremos emitir alguna afirmación específica sobre la población del estrato 3
(mayores de 44 años), podremos hacerlo con menos error muestral si empleamos
una muestra de 333 unidades que si lo hacemos con una muestra de 227 (como
ocurriría en el muestreo estratificado proporcional).
3.estándar)
Muestreo estratificado óptimo (respecto a la desviación
En este caso, el tamaño de los estratos en la muestra no guarda proporcionalidad
con la población. Por el contrario, se trata de optimizar el tamaño muestral de
cada estrato con el fin de reducir el margen de error global, teniendo en cuenta
no solo el tamaño de cada estrato en la población sino su desviación estándar.
Esta optimización lo que hace, básicamente, es dedicar más unidades de
muestra de las que corresponderían en un muestreo proporcional a aquellos
estratos que tienen más variabilidad y que por lo tanto son más difíciles de
estimar.
La forma exacta en que se calcula el tamaño óptimo de muestra por estrato es
un tema un poco más técnico, pero tienes una explicación detallada en este
post, por si eres de los que les gusta la estadística.
 
Eficie ncia de
estratificados los diferentes muestreos
Las preguntas inevitables son: ¿cuándo conviene emplear la estratificación?, ¿qué
tipo de estratificación es más conveniente?
https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 4/11
 El muestreo estratificado proporcional produce siempre menor o igual error
8/21/2020 Muestreo probabilístico: muestreo estratificado

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 (rara vez conocemos las desviaciones típicas de los
universos que vamos a investigar).
 
Tamaños
técnica de muestra requerid os por cada
Las técnicas de muestreo estratificado pueden emplearse para estimar de forma
más precisa parámetros de las poblaciones de interés, ya sean medias (p.e. media
de cigarril os consumidos por los fumadores de México) o proporciones (p.e.
proporción de la población de México que fuma). Pero, inversamente, 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 (e) y de
las características del propio universo. En estas fórmulas consideramos que el
universo es de tamaño infinito. Si fuese finito, debe aplicarse un factor de
corrección.

https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 5/11
8/21/2020 Muestreo probabilístico: muestreo estratificado

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

- Z es el valor crítico de corte de una distribución normal para lograr un nivel
de confianza deseado. Tienes más información sobre el significado de Z
aquí. 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  complementaria, la que no
cumple el criterio buscado (% de no fumadores). Del mismo modo, ph es
dicha proporción dentro de cada uno de los estratos.
- 2 es la varianza del dato buscado (en el caso de estimar medias) en el
σ
total de la población. Asimismo, h2 es la varianza dentro de cada estrato.
σ

- 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.
https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 6/11
 Si hablamos de estratificación óptima, cada Wh se calcula en función de la
8/21/2020 Muestreo probabilístico: muestreo estratificado

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 necesaria si los
valores de p y  varían entre estratos. De lo contrario, todas las expresiones son
equivalentes. Veamos un ejemplo: si tomamos la expresión de tamaño de
σ

muestra requerido para estimar una media mediante un muestreo estratificado

óptimo, tenemos 
L
( ∑ wh σh )2
h=1
n = Z2
e2
Si consideramos que todas las varianzas de los estratos son iguales ( h= ) y que σ σ
el tamaño de los estratos es idéntico (Wh=1/L), el resultado que obtenemos es
L L
( ∑ wh σh )2 ( ∑ (1/L)σ )2
h=1 h=1 ((L/L)σ)2 σ2
n = Z2 = Z2 = Z2 = Z2
e2 e2 e2 e2
que coincide con el tamaño de muestra necesario para tener un error máximo e
en un muestreo aleatorio simple.
 
Conclusiones
El muestreo estratificado es una técnica que nos permite reducir el error en
nuestras estimaciones siempre y cuando tengamos cierta información a priori
sobre la existencia de grupos homogéneos en la población. Esperamos que este
post te haya ayudado a aclarar la utilidad de este método. En próximos posts
abordaremos el muestreo sistemático.

https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 7/11
8/21/2020 Muestreo probabilístico: muestreo estratificado

 
ÍNDICE: Serie Muestreo
.. ElMuestreo
muestreo:probabi
qué eslístiycpor o o qué
no funcionalístico
probabi
.. Muestreo probabi l í sti c o: muestreo al e atori o si mple
.. Muestreo
Muestreo
Muestreo
probabi
probabi
probabi
llíísstiticco:o: muestreo
l í sti c o: muestreo
muestreo
estrati
si
pors ficado
temáti
congl coo merados
.. Muestreo
Muestreo no
no probabi
probabi llíísstiticco:o: muestreo
muestreo por
por conveni
cuotas encia
. Muestreo no probabilístico: muestreo por bola de nieve
 
 

Topics: Encuestas Básicos de la investigación Estadística Share:

Muestreo

Comments (36)

https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 8/11
8/21/2020 Muestreo probabilístico: muestreo estratificado

About the author

Carlos Ochoa | Chief Client Officer
Specialist in Online Market Research, Online Panels, Technological Product Management,
Online Marketing.

Related articles

https://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreo-estratificado 9/11