República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria

Universidad Nacional Experimental “Rómulo Gallegos”
2 Año de Medicina, Sección 1
Valle de la Pascua, Estado-Guárico

Muestreo
Tutor(a): Bachiller(es):
Juan Díaz Zamora Álvarez Isaac C.I 26.299.547.
Bastidas Luz C.I 27.171.109.
Del corral Emmy C.I 20.954.822.
Díaz Yasimar C.I 26.864.801.
García Wendy C.I 26.919.254.
Machado Carlos C.I 26.585.120.
Molina Stephanie C.I 25.335.794.
Monasterios Grethel C.I 26.656.033.
Moreno Dubravka C.I 27.313.359.
Pérez Génesis C.I 26.944.204.
Rodríguez Valentina C.I 26.944.004.

29 DE JUNIO DEL 2017

 OBJETIVO I
Muestreo

Es la técnica para la selección de una muestra a partir de

una población estadística.
Al elegir una muestra aleatoria se espera conseguir que sus propiedades
sean extrapolables a la población. Este proceso permite ahorrar recursos, y a la
vez obtener resultados parecidos a los que se alcanzarían si se realizase un estudio
de toda la población. En las investigaciones llevadas por empresarios y de la
medicina se usa muestreo extensivamente en recoger información sobre
poblaciones.
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un
estudio adecuado (que consienta no solo hacer estimaciones de la población sino
estimar también los márgenes de error correspondientes a dichas estimaciones),
debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que
el resultado sea una muestra representativa, pero sí podemos actuar de manera que
esta condición se alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño
de la población, se puede extraer dos o más muestras de la misma población. Al
conjunto de muestras que se pueden obtener de la población se denomina espacio
muestral. La variable que asocia a cada muestra su probabilidad de extracción,
sigue la llamada distribución muestral.

Concepto de Probabilidad
La probabilidad mide la
frecuencia con la que se
obtiene un resultado al
llevar a
cabo un experimento
aleatorio, del que se
conocen todos los
resultados posibles,
bajo condiciones
suficientemente estables.
Concepto de Probabilidad
La probabilidad mide la frecuencia con la que se obtiene un resultado al
llevar a cabo un experimento aleatorio, del que se conocen todos los resultados
posibles, bajo condiciones suficientemente estables.

Tipos de muestreo
I 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 no 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:

1) Muestreo aleatorio simple: El procedimiento empleado es el

siguiente: 1) se asigna un número a cada individuo de la población y 2) a través de
algún medio mecánico (bolas dentro de una bolsa, tablas de números aleatorios,
números aleatorios generados con una calculadora u ordenador, etc.) se eligen
tantos sujetos como sea necesario para completar el tamaño de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica
cuando la población que estamos manejando es muy grande.

2) Muestreo aleatorio sistemático: Este procedimiento exige, como el

anterior, numerar todos los elementos de la población, pero en lugar de extraer n
números aleatorios sólo se extrae uno. Se parte de ese número aleatorio i, que 6es
un número elegido al azar, y los elementos que integran la muestra son los que
ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos
de k en k, siendo k el resultado de dividir el tamaño de la población entre el
tamaño de la muestra: k= N/n. El número i que empleamos como punto de partida
será un número al azar entre 1 y k. El riesgo este tipo de muestreo está en los
casos en que se dan periodicidades en la población ya que al elegir a los miembros
de la muestra con una periodicidad constante (k) podemos introducir una
homogeneidad que no se da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros
son varones y los 5 últimos mujeres, si empleamos un muestreo aleatorio
sistemático con k=10 siempre seleccionaríamos o sólo hombres o sólo mujeres, no
podría haber una representación de los dos sexos.

3) Muestreo aleatorio estratificado: Trata de obviar las dificultades que

presentan los anteriores ya que simplifican los procesos y suelen reducir el error
muestral para un tamaño dado de la muestra. Consiste en considerar categorías
típicas diferentes entre sí (estratos) que poseen gran homogeneidad respecto a
alguna característica (se puede estratificar, por ejemplo, según la profesión, el
municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende con este
tipo de muestreo es asegurarse de que todos los estratos de interés estarán
representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio
simple o el estratificado para elegir los elementos concretos que formarán parte de
la muestra. En ocasiones las dificultades que plantean son demasiado grandes,
pues exige un conocimiento detallado de la población. (Tamaño geográfico, sexos,
edades,...).

La distribución de la muestra en función de los diferentes estratos se denomina

afijación, y puede ser de diferentes tipos:

 Afijación Simple: A cada estrato le corresponde igual número de

elementos muéstrales.
 Afijación Proporcional: La distribución se hace de acuerdo con el peso
6(tamaño) de la población en cada estrato.
  Afijación Optima: Se tiene en cuenta la previsible dispersión de los
resultados, de modo que se considera la proporción y la desviación típica.
Tiene poca aplicación ya que no se suele conocer la desviación.

4) Muestreo aleatorio por conglomerados: Los métodos presentados

hasta ahora están pensados para seleccionar directamente los elementos de la
población, es decir, que las unidades muéstrales son los elementos de la
población. En el muestreo por conglomerados la unidad muestral es un grupo de
elementos de la población que forman una unidad, a la que llamamos
conglomerado. Las unidades hospitalarias, los departamentos universitarios, una
caja de determinado producto, etc., son conglomerados naturales. En otras
ocasion6es se pueden utilizar conglomerados no naturales como, por ejemplo, las
urnas electorales. Cuando los conglomerados son áreas geográficas suele hablarse
de "muestreo por áreas". El muestreo por conglomerados consiste en seleccionar
aleatoriamente un cierto numero de conglomerados (el necesario para alcanzar el
tamaño muestral establecido) y en investigar después todos los elementos
pertenecientes a los conglomerados elegidos.

II. Métodos de muestreo no probabilísticos

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:

1) Muestreo por cuotas: También denominado en ocasiones "accidental".

Se asienta generalmente sobre la base de un buen conocimiento de los estratos de
la población y/o de los individuos más "representativos" o "adecuados" para los
fines de la investigación. Mantiene, por tanto, semejanzas con el muestreo
aleatorio estratificado, pero no tiene el carácter de aleatoriedad de aquél. En este
tipo de muestreo se fijan unas "cuotas" que consisten en un número de individuos
que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40
años, de sexo femenino y residentes en Gijón. Una vez determinada la cuota se
eligen los primeros que se encuentren que cumplan esas características. Este
método se utiliza mucho en las encuestas de opinión.

2) Muestreo intencional o de conveniencia: Este tipo de muestreo se

caracteriza por un esfuerzo deliberado de obtener muestras "representativas"
mediante la inclusión en la muestra de grupos supuestamente típicos. Es muy
frecuente su utilización en sondeos preelectorales de zonas que en anteriores
votaciones han marcado tendencias de voto. También puede ser que el
investigador seleccione directa e intencionadamente los individuos de la
población. El caso más frecuente de este procedimiento el utilizar como muestra
los individuos a los que se tiene fácil acceso (los profesores de universidad
emplean con mucha frecuencia a sus propios alumnos).

3) Bola de nieve: Se localiza a algunos individuos, los cuales conducen a

otros, y estos a otros, y así hasta conseguir una muestra suficiente. Este tipo se
emplea muy frecuentemente cuando se hacen estudios con poblaciones
"marginales", delincuentes, sectas, determinados tipos de enfermos, etc.

4) Muestreo Discrecional: A criterio del investigador los elementos son

elegidos sobre lo que él cree que pueden aportar al estudio.

Aplicación estadística de la muestra

En estadística, una muestra es un subconjunto de casos o individuos de una
población. En diversas aplicaciones interesa que una muestra sea una muestra
representativa y para ello debe escogerse una técnica de muestra adecuada que
produzca una muestra aleatoria adecuada (se obtiene una muestra sesgada cuyo
interés y utilidad es más limitado dependiendo del grado de sesgo que presente).

Como un subgrupo o subconjunto representativo de la población, extraída

seleccionada por algún método de muestreo. La muestra siempre es una parte de
la población. Si se tiene varias poblaciones, entonces se tendrá varias muestras. La
muestra debe poseer toda la información deseada para tener la posibilidad de
extraerla, esto solo se puede lograr con una buena selección de la muestra y un
trabajo muy cuidadoso y de alta calidad en la recogida de datos.

Condiciones de la muestra en relación al universo

Una muestra debe ser adecuada en cantidad y en calidad. En relación con
el primer aspecto, existen procedimientos estadísticos para saber cuál es el
número mínimo de elementos que debemos incluir en el estudio para obtener
resultados válidos. La calidad involucra el concepto de representatividad de la
muestra. Se dice que una muestra es representativa de la población cuando es un
reflejo de ella, es decir cuando reúne las características principales de la población
en relación con la variable en estudio.

Dos conceptos que interesa definir son los de población y muestra.

Población (o universo) es cualquier colección finita o infinita de elementos o
sujetos. Algunos autores establecen diferencias entre los términos universo y
población, indicando con el primero un conjunto de personas, seres u objetos y
con el segundo, un conjunto de números obtenidos midiendo o contando cierta
característica de los mismos, de allí que un universo puede contener varias
poblaciones, una muestra es un sentido amplio, no es más que eso, una parte del
todo que llamamos universo y que sirve para representarlo.

Se habla de que una población es finita cuando consta de un número

limitado de elementos, ejemplo: todos los habitantes de una comunidad. Una
población es infinita cuando no se pueden contabilizar todos sus elementos pues
existen en número ilimitado, como por ejemplo, la población de insectos en el
mundo.

Sin embargo, no todas las muestras resultan útiles para llevar a cabo un
trabajo de investigación. Lo que se busca al emplear una muestra es que,
observando una porción relativamente reducida de unidades, se obtengan
conclusiones semejantes a las que lograríamos si estudiáramos el universo total.
Cuando una muestra cumple con esta condición, es decir, cuando nos refleja en
sus unidades lo que ocurre en el universo, la llamamos muestra representativa. Por
lo tanto, una muestra representativa contiene las características relevantes de la
población en las mismas proporciones en que están incluidas en tal población. Sus
conclusiones son susceptibles de ser generalizadas al conjunto del universo,
aunque para ello debamos añadir un cierto margen de error en nuestras
proyecciones.

Puesto que el fin que perseguimos al hacer una investigación basada en

el estudio de una muestra, es inferir los resultados a la población que nos interesa,
es recomendable distinguir entre dos tipos de población: la población objetivo y la
población muestreada.

La población objetivo es aquella sobre la cual el investigador desea

establecer una conclusión, por ejemplo, si deseamos determinar la frecuencia de
hipertensión arterial en la población adulta de Barquisimeto, la población objetivo
está representada por todas las personas adultas que residen en esta ciudad. La
población muestreada es aquella a partir de la cual se extrajo la muestra y sobre la
que puede establecerse la conclusión

Elementos del Muestreo

Conforman el muestreo: el universo, la base, las unidades y las relaciones entre el

universo y la muestra.

 Universo, población o colectivo: está constituida por la totalidad de

elementos a estudiar, utilizando una fracción denominada muestra.
 Base de la muestra: conformado por el substrato material que da soporte al
universo o población (censo, registro, plano, mapa, catálogo, listado, etc.).
 Unidad de la muestra: constituida por cada uno de los elementos que
integran la muestra. Simple (individuos), colectiva (grupos, familias,
pueblos, entre otros).
 Relaciones entre el universo y la muestra: Pueden ser cuantitativas y
cualitativas. Las cuantitativas son: la Fracción de muestreo F.m. que se
obtiene dividiendo la muestra por el universo y multiplicando por 100 y el
coeficiente de elevación C.e. que se refiere a las veces que la muestra está
contenida en el Universo. Las relaciones cualitativas se concretan a exigir
que tanto el universo como las muestras reúnan las mismas características.

Representatividad de la muestra

La muestra debe reproducir las características del universo, por lo tanto

surgen dos preguntas, sobre la cantidad de elementos que debe incluir la muestra y
hasta qué punto pueden generalizarse a la población. Ambas preguntas convergen
en un problema de exactitud o precisión cuya finalidad es no incurrir en errores a
la hora de obtener los resultados, no obstante los errores son inevitables, lo
importante entonces es minimizarlos.

Tamaño óptimo de la muestra

Calculo del tamaño de muestra óptimo

Para determinar el tamaño de una muestra se deberán tomar en cuenta

varios aspectos, relacionados con el parámetro y estimador, el sesgo, el error
muestral, el nivel de confianza y la varianza poblacional.

El parámetro: Este se refiere a la característica de la población que es objeto de

estudio y el estimador es la función de la muestra que se usa para medirlo.
Ejemplo I: Para evaluar la calidad de un grupo de estudiantes (parámetro) se mide
a través de los promedios obtenidos (estimador).

Ejemplo II: Para evaluar las decisiones de consumo de cerveza light de una
población de mujeres en un sector estratégico de la ciudad (parámetro), se debe
medir utilizando variables de preferencias por marcas de cervezas (parámetro)

El error muestral siempre se comete ya que existe una pérdida de la

representatividad al momento de escoger los elementos de la muestra. Sin
embargo, la naturaleza de la investigación nos indicará hasta que grado se puede
Aceptar.

Por lo general el error lo determina el investigador y puede depender de

estudios anteriores.

El nivel de confianza: Corresponde a la probabilidad de que la

estimación efectuada se ajuste a la realidad; es decir, que caiga dentro de un
intervalo determinado basado en el estimador y que capte el valor verdadero del
parámetro a medir.

El tamaño de la muestra de una muestra estadística es el número de

observaciones que la componen.

El tamaño de la muestra normalmente es representado por "n" y siempre es

un número entero positivo. No se puede hablar de ningún tamaño exacto de la
muestra, ya que puede variar dependiendo de los diferentes marcos de
investigación. Sin embargo, si todo lo demás es igual, una muestra de tamaño
grande brinda mayor precisión en las estimaciones de las diversas propiedades de
la población.

¿Cuál debe ser el tamaño de la muestra?

Determinar el tamaño de la muestra que se va a seleccionar es un paso

importante en cualquier estudio de investigación. Por ejemplo, un investigador
desea determinar la prevalencia de problemas oculares en niños en edad escolar y
quiere realizar una encuesta.

La pregunta importante que debe ser contestada en todas las encuestas de

muestra es: "¿Cuántos participantes deben ser elegidos para una encuesta?" Sin
embargo, la respuesta no puede ser dada sin tener en cuenta los objetivos y
circunstancias de las investigaciones.

La elección del tamaño de la muestra depende de consideraciones no

estadísticas y estadísticas. Las consideraciones no estadísticas pueden incluir la
disponibilidad de los recursos, la mano de obra, el presupuesto, la ética y el marco
de muestreo. Las consideraciones estadísticas incluirán la precisión deseada de la
estimación de la prevalencia y la prevalencia esperada de los problemas oculares
en niños en edad escolar.

Para determinar el tamaño adecuado de las muestras es necesario seguir

los tres criterios:

1. Nivel de precisión

El nivel de precisión, también llamado error de muestreo, es el rango en

donde se estima que está el valor real de la población. Este rango se expresa en
puntos porcentuales. Por lo tanto, si un investigador descubre que el 70% de los
agricultores de la muestra han adoptado una tecnología recomendada con una tasa
de precisión de ~+mn~ 5%, el investigador puede concluir que entre el 65% y el
75% de los agricultores de la población han adoptado la nueva tecnología.

2. Nivel de confianza

El intervalo de confianza es la medida estadística del número de veces de

cada 100 que se espera que los resultados se encuentren dentro de un rango
específico. Por ejemplo, un intervalo de confianza de 90% significa que los
resultados de una acción probablemente cubrirán las expectativas el 90% de las
veces.

La idea básica descripta en el Teorema del límite central es que cuando

una población se muestrea muchas veces, el valor promedio de un atributo
obtenido es igual al valor real de la población. En otras palabras, si un intervalo de
confianza es del 95%, significa que 95 de 100 muestras tendrán el valor real de la
población dentro del rango de precisión.

3. Grado de variabilidad

Dependiendo de la población objetivo y los atributos a considerar, el grado

de variabilidad varía considerablemente. Cuanto más heterogénea sea una
población, mayor deberá ser el tamaño de la muestra para obtener un nivel óptimo
de precisión. Ten en cuenta que una proporción de 55% indica un nivel más alto
de variabilidad que un 10% o un 80%. Esto se debe a que 10% y 80% significa
que una gran mayoría no posee o posee el atributo en cuestión.
 Existen muchos enfoques para determinar el tamaño de la muestra,
incluyendo el uso de un censo en el caso de poblaciones más pequeñas, el uso de
tablas publicadas, imitar un tamaño de muestra de estudios similares y aplicar
fórmulas para calcular un tamaño de la muestra.

OBJETIVO II
Muestreo probabilístico
El muestreo probabilístico es una técnica de muestreo en virtud de la cual
las muestras son recogidas en un proceso que brinda a todos los individuos de la
población las mismas oportunidades de ser seleccionados.

En esta técnica de muestreo, el investigador debe garantizar que cada

individuo tenga las mismas oportunidades de ser seleccionado y esto se puede
lograr si el investigador utiliza la aleatorización.

La ventaja de utilizar una muestra aleatoria es la ausencia de sesgos de

muestreo y sistemáticos. Si la selección aleatoria se hace correctamente, la
muestra será representativa de toda la población.

El efecto de esto es un sesgo sistemático ausente o mínimo que es la

diferencia entre los resultados de la muestra y los resultados de la población. El
sesgo de muestreo también se elimina ya que los sujetos son elegidos al azar.

Características de muestreo probabilístico

3
Muestreo
Probabilístico y No
Probabilístico
Elaborado por: Karla Sofía
Carrasquedo Velázquez
Universidad del Istmo
Campus Ixtepec
M.I.A. Laura Yazmín
Parra Velasco
Introducción
El mundo de los negocios
es muy amplio, abarca
muchas situaciones de
nuestra
vida cotidiana, pero
también este mundo es
muy complejo, pues los
negocios son
manejados por personas y
estas son seres complejos y
difíciles de entender.
En ocasiones para lograr
ejecutar bien los negocios
u otras cuestiones, existe
una
herramienta que es de
mucha ayuda para entender
y a conocer el
comportamiento
de una población hacia un
tema en específico, esta
herramienta es el muestreo,
que es de vital importancia
en varios aspectos de la
vida cotidiana como, los
negocios, la política, entre
otros. Para esto a
continuación se analizará
que es
muestreo, y lo más
importante, el conocer que
es el muestreo
probabilístico y no
probabilístico y por qué el
conocer esto resulta
relevante.
¿Qué es Muestreo?
El muestreo es una
herramienta de la
investigación científica. Su
función básica es
determinar que parte de
una realidad en estudio
(población o universo)
debe
examinarse con la finalidad
de hacer inferencias sobre
dicha población.
El muestreo es una herramienta de la investigación científica. Su función básica es
determinar que parte de una realidad en estudio (población o universo) debe
examinarse con la finalidad de hacer inferencias sobre dicha población. Las
principales características del muestreo probabilístico son:

o Es cuantitativo.

o Todos los casos tienen la misma probabilidad de ser seleccionados.

o Es ciego a la hora de seleccionar los casos.

 o No requiere un conocimiento de la población a estudiar.

o Persigue la inferencia estadística.

o Requiere una muestra con mayor número de casos.

Ventajas y desventajas
Ventajas

 Rapidez y facilidad de realizar el estudio

 Menor número de sujetos a estudiar

 Menor costo económico

 Es muy útil cuando el Universo es muy grande o Infinito.

 El producto sufre menos daño al haber menos manipulación.

Desventajas

 Muestra representativa: no existe una definición formal que nos permita

afirmar que una muestra es o no representativa de la población objeto de
estudio.

 Error de muestreo o error aleatorio: es el error que se comete debido al

hecho de sacar conclusiones sobre una población a partir del estudio de
una muestra de ella.

Técnicas de muestreo
 Muestreo al azar simple

 Muestreo al azar sistemático

 Muestreo estratificado

 Muestreo por conglomerados

Muestreo al azar simple: Todos los elementos tienen la misma probabilidad

de ser seleccionados. Dicha probabilidad conocía previamente es distinta de cero
(0) y de uno (1)
 Ejemplo: En el salón de clase, el docente asigna un número a cada uno de los
alumnos. Posteriormente cada número se introducirá en una caja, para luego
extraer por los integrantes de la muestra.

Muestreo al azar sistemático: Se basa en la selección de un elemento en una

función de una constante (K).

Ejemplo: En una población de 60 individuos, se define una muestra integrada

por 5 sujetos. La constante K obtenida al azar es igual a 12. Se asigna un número a
cada uno de los 60 individuos y se calcula el valor de inicio con la siguiente
fórmula:

K = Constante

N = Número total de la elementos que integran la población.

n = Tamaño de la muestra

N/n, entonces 60/5 = 12. Esto significa que comenzaremos seleccionado el

número 12 hasta obtener los cinco individuos que conformaran la muestra
definitiva.

Resultado = 12, 24, 32, 44, 56.

Muestreo aleatorio estratificado: Consiste en dividir la población en

subconjuntos cuyos elementos posean características comunes, para luego realizar
una selección al azar en cada subconjunto.

Ejemplo: En un centro deportivo, se divide en grupos a los atletas de

acuerdo al deporte que practiquen. Luego de esto, se realiza de forma aleatoria
una selección de atletas en cada una de las disciplinas respectivamente.

Muestreo aleatorio por conglomerados: parte de la división del universo

en unidades menores denominadas conglomerados. Se determinan los que serán
objeto de investigación o donde se realizará la selección.

Ejemplo: Un municipio se divide en urbanizaciones. Más tarde son

seleccionadas aquellas donde se extraerán, al azar, los elementos para la muestra.

A diferencia del muestreo estratificado, en el muestro por conglomerados

no todos los conglomerados son seleccionados para la muestra.

Estudios observacionales y tablas aleatorias

Estudios Observacionales
 Los estudios observacionales son estudios de carácter estadístico y
demográfico, ya sean de tipo sociológico o biológico -estudios epidemiológicos-
en los que no hay intervención por parte del investigador, y éste se limita a medir
las variables que define en el estudio.

Los estudios observacionales (EO) corresponden a diseños de investigación

clínica cuyo objetivo es “la observación y el registro” de los acontecimientos sin
intervención alguna en el curso natural de estos. La o las mediciones, se pueden
realizar a lo largo del tiempo (estudio longitudinal), ya sea de forma prospectiva o
retrospectiva; o de forma única (estudio transversal). Por otra parte, los EO
pueden ser descriptivos, cuando lo que se pretende es “describir y registrar” lo
observado, como el comportamiento de una o más variables en un grupo de
sujetos en un periodo de tiempo; y analíticos, los que permiten “analizar
comparativamente grupos de sujetos” sin que exista un proceso de asignación de
los individuos en estudio a una intervención determinada, sino que ésta ocurre de
acuerdo a la práctica clínica habitual, siendo por ende el investigador un mero
observador y descriptor de lo que ocurre.

Como todo tipo de diseños de investigación clínica, tienen sus fortalezas y

debilidades. Se pueden utilizar para informar resultados en los ámbitos del
tratamiento y la prevención, la etiología y el daño o morbilidad; el diagnóstico, y
el pronóstico e historia natural; escenarios en los que los EO otorgan distintos
niveles de evidencia, según el diseño en particular y el ámbito del que se trate.

Como grupo de diseños, pueden llegar a representar el 80% de las

publicaciones de las revistas biomédicas, independiente de la base de datos de
indización y del eventual factor de impacto de cada revista. Bajo el concepto de
EO se agrupan el reporte y series de casos (prospectivas o retrospectivas), estudios
de corte transversal, estudios de concordancia, poblacionales, correlaciónales y
ecológicos; estudios de pruebas diagnósticas, estudios de casos y controles; y
estudios de cohortes (retrospectivos o prospectivos).

Un buen ejemplo de un estudio observacional es una investigación que

compare el riesgo de desarrollar cáncer de pulmón entre fumadores y no
fumadores. La razón principal para llevar a cabo cualquier investigación
observacional se debe a cuestiones éticas.

Con el ejemplo del tabaquismo, un científico no puede darles cigarrillos a no

fumadores por 20 años y compararlos con un grupo de control. Esto también
resalta la otra buena razón para este tipo de estudios, en el que pocos
investigadores pueden estudiar los efectos a largo plazo de ciertas variables, sobre
todo cuando pasan décadas.
 Para este estudio de efectos sutiles y a largo plazo, deben utilizar condiciones
pre-existentes e historias médicas. El investigador puede querer estudiar un grupo
de muestra muy pequeño, por lo que es más fácil comenzar con casos conocidos y
trabajar hacia atrás. Por ejemplo, los casos de talidomida son un ejemplo de un
estudio observacional en donde los investigadores tuvieron que trabajar hacia
atrás para descubrir que la droga era la causa de la discapacidad.

El principal problema con los estudios observacionales es que el

experimentador no tiene control sobre la composición de los grupos de control y
no puede aleatorizar la asignación de sujetos. Esto puede crear un sesgo y también
puede enmascarar relaciones de causa y efecto o, en su defecto, sugerir
correlaciones en donde no las hay (error en la investigación).

Por ejemplo, en el ejemplo de fumar, si el investigador descubrió que existe

una correlación entre el tabaquismo y el aumento de las tasas de cáncer de pulmón
sin saber los antecedentes completos de los sujetos, no hay manera de determinar
si otros factores estuvieron en juego, tales como la alimentación, la profesión o la
genética.

Se supone la aleatorización para nivelar los efectos causales externos, pero

esto es imposible en un estudio observacional. No existe una variable
independiente, por lo que es peligroso asumir relaciones de causa y efecto, un
proceso a menudo mal entendido por los medios de comunicación que elogian la
próxima comida maravillosa o hacen sensacionalismo en un debate político con
resultados infundados y pseudo-ciencia.

A pesar de las limitaciones, un estudio observacional permite un

entendimiento útil sobre un fenómeno y evita las dificultades éticas y prácticas en
el armado de un proyecto de investigación médica grande y engorroso.

Tablas Aleatorias

Las tablas de números aleatorios se han utilizado en estadística para la

selección de muestras aleatorias. Estas tablas resultan mucho más eficaces que la
selección manual de muestras al azar (con dados, cartas, etc.) Hoy en día, las
tablas de números aleatorios han sido sustituidas por los generadores de números
aleatorios.

Las tablas de números aleatorios tienen las propiedades deseadas de

aleatoriedad, sin importar el método de elección de la muestra: por fila, columna,
diagonal o irregularmente. La primera tabla fue publicada por un estudiante de
Karl Pearson en 1927, y desde entonces diversas tablas han sido desarrolladas.
Las primeras tablas fueron generadas a través de una variedad de métodos;
Leonard Henry Caleb Tippett tomó sus números «al azar» del registro de censo,
Ronald Fisher y Frank Yates hicieron lo propio con las tablas de logaritmos y en
1939 Maurice Kendall y B. Babington Smith publicaron una tabla con 100.000
cifras, producida por una máquina especializada y un operador humano.

A mediados de la década de 1940, la RAND Corporation se dedicó a desarrollar

una amplia tabla de números aleatorios para su uso con el método de Montecarlo,
y mediante un hardware generador de números aleatorios publicaron A Million
Random Digits with 100,000 Normal Deviates.

La tabla RAND utiliza simulación electrónica de una ruleta conectada a un

ordenador. Los resultados fueron cuidadosamente filtrados y probados antes de
ser utilizados para generar la tabla. La tabla RAND fue un avance importante en la
obtención de números al azar porque una tabla tan grande y tan preparada
cuidadosamente nunca había estado antes disponible (la tabla más grande
publicada anteriormente era diez veces más pequeña), y también estaba disponible
en tarjetas perforadas de IBM, lo que permitió su uso en computadoras. En la
década de 1950, un hardware generador de números aleatorios llamada ERNIE se
utilizó para dibujar los números de bonos británicos prima.

Las Tablas de Números Aleatorios contienen los dígitos 0, 1, 2,..., 7, 8, 9.

Tales dígitos se pueden leer individualmente o en grupos y en cualquier orden, en
columnas hacia abajo, columnas hacia arriba, en fila, diagonalmente, etc., y es
posible considerarlos como aleatorios.

Las tablas se caracterizan por dos cosas que las hacen particularmente útiles
para el muestreo al azar. Una característica es que los dígitos están ordenados de
tal manera que la probabilidad de que aparezca cualquiera en un punto dado de
una secuencia es igual a la probabilidad de que ocurra cualquier otro. La otra es
que las combinaciones de dígitos tienen la misma probabilidad de ocurrir que las
otras combinaciones de un número igual de dígitos. Estas dos condiciones
satisfacen los requisitos necesarios para el muestreo aleatorio, establecidos
anteriormente.

La primera condición significa que en una secuencia de números, la

probabilidad de que aparezca cualquier dígito en cualquier punto de la secuencia
es 1/10. La segunda condición significa que todas las combinaciones de dos
dígitos son igualmente probables, del mismo modo que todas las combinaciones
de tres dígitos, y así sucesivamente.
 Existen métodos más eficaces para generar números aleatorios, en muchos de
los cuales se utilizan calculadoras u otra clase de aparatos electrónicos. Las tablas
elaboradas mediante estos métodos son verificadas completamente para
asegurarse de que en realidad sean aleatorias. Sin embargo, el interés no radica en
elaborar estas tablas, sino utilizarlas.