Capitulo 4

4
El proceso de muestreo
Introducción
SUDMAN y BLAIR (1999) apuntan que aunque existen menciones a censos y
encuestas que datan de los tiempos bíblicos, las encuestas constituyen un
fenómeno propio del siglo XX cuyo desarrollo se vio acelerado tras la funda-
ción de Gallup y Roper Polls a mediados de los años 30. En la actualidad, pare-
ce casi cierto decir, parafraseando a DESCARTES, «muestreo, luego existo». El
muestreo es la realidad, toda la realidad: no hay escapatoria.
No sólo hacemos muestras, sino también somos objeto de muestreos. Los
encuestadores de opinión muestrean las intenciones de voto del público, los
chefs introducen sus dedos en las cacerolas para determinar el condimento de
un boeuf bourguignon, los destiladores de whisky muestrean sus productos a
intervalos regulares de tiempo para controlar el proceso de maduración. Sin la
posibilidad de muestrear, una gran mayoría de los proyectos de investigación
no podrían producirse. En ocasiones, es posible y necesario realizar un censo
de la población, para desarrollar las estadísticas nacionales, por ejemplo, o en
investigación de marketing industrial, donde las poblaciones tienen un tama-
ño reducido. Sin embargo, en la mayoría de las situaciones de investigación la
realización de censos no resulta ni práctica ni financieramente factible, por lo
que el muestreo constituye la única alternativa viable.
No es la intención principal de este trabajo ahondar demasiado en el uso
de la estadística en la investigación de marketing. Sin embargo, los lectores
interesados encontrarán en el Apéndice una breve explicación del modo en el
que la estadística puede ser empleada para generalizar a una población los
resultados alcanzados a partir de una simple muestra.
Censo frente a muestra

No es necesario ni conveniente ser demasiado dirigista en relación con la elec-
ción entre censo y muestra. Cada situación debe ser juzgada únicamente por
© ITES-Paraninfo
56 Investigación de marketing. Aspectos esenciales
sus propios méritos. Las secciones siguientes presentan cuatro factores: coste,
tiempo, fidelidad y lo que se ha venido a denominar naturaleza destructiva de
la medida, cada uno de los cuales deben ser considerados al tomar una deci-
sión entre censo y muestra.
Coste
Obviamente, resulta menos costoso muestrear un número restringido de casas

que entrevistar a cada uno de los hogares de un país. Si alguien requiere infor-
mación acerca de la actitud de los niños hacia cierto programa de televisión,
entonces resulta menos costoso hablar con 500 de los individuos menores de
18 años que hablar con todos ellos.
Sin embargo, si alguien requiere información sobre los fabricantes de
automóviles o sobre las orquestas sinfónicas, entonces resulta posible realizar
un censo, ya que se trata de poblaciones mucho menores que las citadas ante-
riormente.
Al decidir entre un censo y una muestra, se debe considerar siempre el
valor de la información que se va a obtener; el precio tiene una naturaleza
demasiado cruda como para constituir el único determinante de esta decisión.
Si el coste del censo es menor que el valor de la información que resultará del
mismo, entonces el censo constituye el método a adoptar. Si el coste del censo
es mayor que el valor de la información, debe pensarse en una muestra, siem-
pre que la necesidad de información siga estando presente. Por lo general, la
decisión está bastante clara; salvo en el caso de pequeñas poblaciones, es muy
probable que predomine la elección de una muestra, ya que las consideracio-
nes presupuestarias constituyen una restricción muy importante de las meto-
dologías de investigación.
Tiempo
En un mundo ideal, los consultores de investigación de marketing tienen pre-

supuestos infinitamente grandes, un número infinitamente grande de perso-
nas en sus equipos y un período infinito de tiempo en el que completar el pro-
yecto —una situación poco probable.
En muchos casos, quienes encargan la investigación requieren que el pro-
yecto sea entregado rápidamente —¡si no antes!
Un censo es, en términos generales, una larga tarea (de hecho, por defini-
ción, una tarea mayor que cualquier muestra extraída de la misma población)
y la cantidad de datos generados puede ser enorme. En entornos dinámicos y
turbulentos, cuando esté listo el análisis de los datos recogidos a través del
censo, la situación que dio lugar a la raison d’être del proyecto puede haber
© ITES-Paraninfo
El proceso de muestreo 57
cambiado completamente; una amenaza puede haber tenido un impacto

desastroso para la empresa o puede haberse perdido una oportunidad benefi-
ciosa.
Generalmente, es posible extraer una muestra más rápidamente que un
censo a partir de una población determinada.
Fidelidad
La precisión de una medida es el grado o el nivel de precisión con la que la

medida es capaz de representar un parámetro objeto de investigación. En el
muestreo, la fidelidad es una medida de «ajuste» entre las dimensiones de la
característica tal y como éstas son reveladas por la muestra y dichas dimen-
siones tal y como éstas existen realmente en la población.
En la investigación de marketing, la fidelidad se ve parcialmente afectada
por dos factores: el error muestral, que está asociado con el estudio de una
muestra, y el error no muestral o sesgo.
Error muestral
El error muestral es el error causado por la selección de una muestra probabi-
lística de la población que no es representativa de dicha población. Por ejem-
plo, es posible seleccionar una muestra de 250 estudiantes de un conservato-
rio de tal modo que todos ellos resulten ser estudiantes de violonchelo.
Obviamente, esta muestra no sería representativa de la población total del
conservatorio, ya que, como es sabido, en un conservatorio se estudian todos
los instrumentos musicales de la orquesta, junto con el canto y la dirección de
orquesta. El error muestral puede reducirse incrementando el tamaño de la
muestra, lo que permitiría recoger información de una mayor proporción de
la población heterogénea. El muestreo aleatorio nos permite también el uso
de técnicas estadísticas diseñadas para estimar el tamaño del error muestral.
Error no muestral
Entre los errores no muestrales se incluyen todos los errores cometidos en un
proyecto de investigación de marketing distintos de aquellos que tienen su
origen en el error muestral. El error no muestral puede tener un carácter sis-
temático o aleatorio.
Si se toma un censo de la población, no puede haber error alguno deriva-
do del modo en el que cada elemento individual es seleccionado. No existe
selección preferencial ni aleatoria, ya que todos los miembros cualificados de
la población son incluidos en el estudio. No hay muestra —por lo que no pue-
de haber error muestral.
© ITES-Paraninfo
Sin embargo, el error muestral no es la única fuente de contaminación que

puede afectar a los resultados de la investigación; también existen errores no
muestrales.
El error no muestral puede reducir la fidelidad y, por tanto, la validez de
un censo o de una muestra. El error no muestral puede ser tan grande en un
censo que, en algunos casos, una muestra nos podría proporcionar una repre-
sentación más fiel de lo que está ocurriendo —aunque sólo si el error no mues-
tral es menor que cualquier error muestral.
Por ejemplo, si un cuestionario contiene un error o si el cuestionario es
consistentemente malinterpretado por quienes lo administran, entonces cuan-
to mayor sea la muestra mayor será el error incorporado a la información
adquirida —dicho error aumentará con cada aplicación del cuestionario—. Y,
para una población dada, un censo es la mayor muestra que puede extraerse.
También tenemos el problema de la no respuesta: si el cuestionario no es
devuelto por cierto número de entrevistados, o si algunos de los entrevistados
rehúsan participar en la entrevista, ¿cómo sabemos que estos individuos que
no quieren cooperar no son diferentes de aquellos otros que devolvieron los
cuestionarios o que aceptaron ser entrevistados? Cuanto mayor sea el error
por no respuesta, menor será la fidelidad de los resultados.
Un censo supone la implicación de un gran número de personas: entre-
vistadores, administradores, operadores informáticos, analistas de datos, etc.
Los seres humanos son falibles, se comenten errores, pueden extraerse infe-
rencias que no son necesariamente ciertas, pueden interpretarse respuestas
que no reflejen de forma válida la verdad. Y el control del proyecto se hace
más y más difícil a medida que aumenta su tamaño.
Las muestras extraídas de una población son más pequeñas que un censo
extraído de la misma. Esto significa que las oportunidades de cometer errores
se ven reducidas y que el control sobre el proyecto puede ser más rígido.
Es por estas razones por las que la muestra puede proporcionar una medi-
da más fiable que un censo al investigar una misma población.
La naturaleza destructiva de la medida
Nuestro «chef» de la introducción de este capítulo no podría realizar un «cen-

so» del contenido de la cacerola de boeuf bourguignon; si lo hiciera, ¿qué servi-
ría a sus invitados? El destilador de whisky no podría realizar un censo de sus
productos para comprobar su calidad —aunque se trata de una idea agrada-
ble para algunos—. Si lo hiciera, no tendría productos que vender y ¡la policía
de tráfico podría interesarse por tomarle a él una muestra!
En muchos casos, la consideración de un censo implica su destrucción, lo
que significa que la muestra constituye la única alternativa para obtener los
© ITES-Paraninfo
datos necesarios. Por ejemplo, si alguien quiere medir la actitud de una pobla-
ción hacia algo mediante un censo, toda la población sería alertada en relación
con ese «algo», lo que podría alterar su actitud al concentrar su atención sobre
dicho objeto. Esa población se vería alterada por el propio acto de la medida;
su «inocencia» en relación con ese «algo» habría sido destruida para siempre
y los resultados se verían afectados por este hecho. Por tanto, no se les podría
volver a hacer otra pregunta sobre el mismo tema sin tener en cuenta que el
hecho de la medida (y la alteración) ya había tenido lugar. Esto, efectivamen-
te, recomienda la utilización de una muestra en algunos casos específicos; el
uso de una muestra de la población implicaría que sólo se produciría la des-
trucción de la «inocencia» de una parte de la población. Si se considerara
necesario volver a entrevistar a la misma población, podría extraerse una
muestra diferente en la que ninguno de sus componentes habría sido entre-
vistado con anterioridad y que, por tanto, continuarían estando en «estado de
gracia».
La medida no tiene que ser siempre destructiva. Es posible probar dife-
rentes automóviles antes de tomar una decisión de compra sin que dichos
automóviles sean destruidos y, en tales casos, dejando aparte las cuestiones
relacionadas con el coste, el tiempo y la fidelidad, un censo que no implica
destrucción sería teóricamente posible.
Sin embargo, para investigaciones relacionadas con fuegos artificiales:
¡opte por el muestreo!
Terminología
En los párrafos anteriores se han empleado varias palabras de uso bastante
común. Sin embargo, en el ámbito del muestreo, dichas palabras tienen un
significado especial, técnico, ligeramente diferente al que tienen cuando son
empleadas en una conversación normal. Para eliminar cualquier confusión y
ambigüedad, presentamos una breve historia para mostrar cómo deberían
usarse correctamente estas palabras técnicas en el contexto de la investigación
de marketing.
Érase una vez en el Pacífico Sur, donde había dos islas, Rogers y Hammerstein.
En Rogers, el Rey decretó que se realizara un censo entre los 100.000 habitantes de la
isla. Hammerstein, naturalmente, se sintió obligada a hacer algo similar, pero debido al
hecho de que se encontraba fuertemente endeudada con el Banco Mundial, sólo podía per-
mitirse una fracción del gasto que su isla vecina, más rica, estaba preparada para realizar.
Por lo tanto, el Rey de Hammerstein ordenó que sólo se preguntara a 10.000 de los habi-
tantes de su isla. Esto suponía solamente el 10% de la población y se llamó a una muestra.
El Rey de Rogers era muy musical, pero para su horror el censo descubrió que sólo el
30% de su población conocía la letra de «There is nothing like a dame». Esta cifra del 30%
se llama parámetro y hace referencia a una característica de la población.
© ITES-Paraninfo
El Rey de Hammerstein observó que sólo un 6% de su muestra conocía la letra de

«There is nothing like a dame» —una nación no muy musical—. En tal situación, este 6%
se conoce como un estadístico y sólo puede utilizarse para describir las características de
una muestra.
El Rey de Hammerstein se encuentra ahora en disposición de hacer dos afirmaciones
basadas en los resultados de su muestra:
1. «Sólo un 6% de mi muestra puede recordar la letra de mi canción favorita». Ésta es

una afirmación descriptiva, sólo describe lo que ha sido descubierto —nada más.
O podría decir:
2. «Sólo un 6% de la nación puede recordar la letra de mi canción favorita». Ésta es una

afirmación inferencial. Es inferencial porque el Rey está generalizando que la carac-
terística de interés (la capacidad de recordar la letra de una canción), ofrecida por la
muestra, es igualmente válida, en cierta medida, para la población de toda la isla.
Después de fijar algunos de los conceptos básicos del muestreo, conside-

remos ahora con mayor detalle el modo en el que éste es organizado en el con-
texto global de un proyecto de investigación de marketing.
El proceso de muestreo
Las diferentes etapas del proceso de muestreo pueden enumerarse como
sigue:
1. Definir la población.
2. Definir el marco para la población.
3. Seleccionar la unidad de muestreo.
4. Elegir un método de muestreo:
— Probabilístico.
— No probabilístico.
5. Decidir el tamaño de la muestra.

6. Definir el plan de muestreo.
7. Seleccionar la muestra.
Definición de la población
Los objetivos de la investigación deberían haber detallado aquellas fuentes,

individuos, etc., a partir de los cuales el proyecto de investigación se va a nutrir
© ITES-Paraninfo
de información. Consecuentemente, los atributos de la población en la que el

proyecto está interesado deben desviarse en términos no ambiguos, precisos y
claros a todos aquellos involucrados en el proyecto de investigación.
Para eliminar cualquier falta de claridad es habitual definir una población
haciendo uso de los siguientes términos.
Elemento
Ente sobre el que el equipo de investigación requiere información y que cons-
tituirá la unidad básica de análisis. En investigación de marketing, el elemen-
to puede ser, por ejemplo, una persona, una familia o una fábrica.
Unidad
Determina el modo en el que se logra acceder a un elemento. En algunos
casos, por ejemplo, cuando definimos un elemento como un estudiante de 18
años, la unidad y el elemento son iguales, ya que podemos acceder directa-
mente a la unidad; este proceso se denomina muestreo en una etapa o mono-
etápico. Sin embargo, si el elemento se define como un estudiante de 18 años
que vive en una residencia universitaria, esto daría lugar a un muestreo en
dos etapas o bietápico, ya que el elemento es el estudiante y la residencia uni-
versitaria la unidad.
Alcance
Son los límites geográficos dentro de los cuales será desarrollada la investi-
gación.
Tiempo
Son los límites temporales dentro de los cuales será desarrollada la investi-
gación.
La definición de la población no resulta fácil. Debemos asegurarnos de que
dentro de la definición elegida están incluidos todos los individuos, factores y
variables que desempeñan un papel en la situación objeto de investigación. Una
definición demasiado estrecha de la población podría excluir a un gran número
de individuos clave, etc., que deberían ser incluidos; esto derivará en un sesgo.
Una definición demasiado amplia podría incluir factores, variables o indivi-
duos que no tienen una influencia directa sobre la situación de investigación;
esto también derivaría en la introducción de un error no deseado.
A medida que las situaciones se hacen más complejas, cuando aumenta el
número de factores, variables y personas involucradas en el objeto del estu-
dio, más difícil resulta definir de forma precisa la población. He aquí un exce-
© ITES-Paraninfo
lente ejemplo de un aspecto de la investigación en la que la investigación

exploratoria puede resultar de gran ayuda; ésta puede ayudar a definir los
límites de la población y los factores importantes que afectan a dichos límites
y que, consecuentemente, tienen que incluirse en la definición de la población.
Los datos secundarios pueden emplearse también para conocer el modo en el
que otros investigadores han definido la población en situaciones similares.
Definición del marco de la población
Un marco muestral es un modo de establecer los límites de la población que con-

tendrá todos los elementos y unidades necesarias para cumplir con los objetivos
de la investigación, sin que se excluyan unidades importantes ni se incluyan
unidades extrañas. Los marcos muestrales no son necesarios en las técnicas de
muestreo no probabilísticas, aunque resultan esenciales para las técnicas proba-
bilísticas, ya que estas últimas se basan en el hecho de que cada elemento debe
tener una probabilidad conocida y distinta de cero de ser seleccionado. Si se
excluye algún elemento o si éste es incluido en más de una ocasión, dicho ele-
mento tendrá, respectivamente, una probabilidad nula o doble (o mayor) de ser
seleccionado. Este tipo de imprecisiones se denominan error de marco.
Por tanto, un marco muestral debe tener las siguientes características:
• Cada elemento debería ser incluido una sola vez.

• No debería excluirse a elemento alguno.
• El marco muestral debe cubrir la totalidad de la población.
• La información empleada para construir el marco debería estar actuali-
zada y ser precisa, i.e., sólo deberían incluirse aquellos elementos que
verdaderamente cumplen los objetivos de la investigación.
• El marco debe resultar cómodo de utilizar.
A partir de esta exigente lista de condiciones, puede observarse fácilmen-

te que la búsqueda de un marco muestral perfecto puede convertirse rápida-
mente en un equivalente moderno de la búsqueda medieval del unicornio.
En teoría, resulta factible delimitar el marco muestral adecuado a partir de
la definición de la población. Sin embargo, en la práctica es bastante usual que
las poblaciones vengan definidas por los marcos muestrales, como conse-
cuencia de las dificultades operativas existentes a la hora de encontrar un
marco muestral perfecto, o incluso un marco adecuado.
Los directorios telefónicos son usados a menudo como marcos muestrales
que nos ofrecen un ejemplo de algunas de las dificultades a las que nos pode-
mos enfrentar al emplear marcos preexistentes:
© ITES-Paraninfo
• Algunos abonados pueden no figurar en el directorio.

• Algunos abonados pueden haber sido incluidos en más de una ocasión.
• Algunos abonados pueden haber cambiado de domicilio y de núme-
ro de teléfono y continuar apareciendo en el directorio con el número
viejo.
• Algunos de los números incluidos en el directorio pueden hacer refe-
rencia a áreas geográficas que se encuentran fuera del área que supues-
tamente debiera cubrir.
Selección de la unidad muestral
La unidad muestral es la entidad que contiene al elemento o elementos de la

población objetivo sobre la que se pretende realizar la muestra.
En algunos casos, la unidad y el elemento pueden ser iguales. Por ejem-
plo, si en la investigación se ha estipulado que se debe extraer una muestra de
estudiantes inscritos en el primer año de universidad, entonces puede inten-
tarse contactar con ellos directamente; las unidades y los elementos muestra-
les son idénticos en este caso.
Sin embargo, podría no ser factible contactar con estos individuos directa-
mente, en cuyo caso podría resultar más fácil o preferible contactar con ellos
en su lugar de residencia y entrevistarlos allí; en este caso, la unidad muestral
y el elemento muestral no son los mismos. Ahora, la unidad es su casa/resi-
dencia de estudiantes, aunque el elemento continúa siendo el mismo; aún es
el estudiante de primer año de universidad.
El modo en el que se selecciona una unidad muestral depende de varios
factores, entre los que se incluyen el marco muestral y el diseño del proyecto.
Marco muestral
Si resulta fácil de obtener un listado completo, actualizado y fiable de ele-
mentos, implicaría que la muestra podría realizarse directamente; i.e., la uni-
dad y el elemento muestral serían idénticos. Si este listado no estuviera dis-
ponible, podría ser necesario utilizar el lugar de trabajo o residencia como la
unidad muestral básica. Por ejemplo, si se desea entrevistar a todos los chefs
que actualmente trabajan en Francia, parece poco probable que se pueda dis-
poner fácilmente de un listado de todos ellos. Sin embargo, sí es muy proba-
ble que podamos contar con una lista de los hoteles y restaurantes en los que
trabajan. En este caso, la unidad (el hotel, etc.) no coincide con el elemento
muestral (el chef).
© ITES-Paraninfo
Diseño del proyecto

Las investigaciones basadas en entrevistas telefónicas requieren que las uni-
dades muestrales cuenten con un número de teléfono. Los cuestionarios pos-
tales requieren que las unidades muestrales cuenten con un domicilio en el
que pueda tenerse acceso al elemento muestral.
Elección de un método de muestreo
El muestreo es el proceso por el que se selecciona cierto número de unidades

de la población. En términos generales, existen dos tipos principales de mues-
treo: técnicas probabilísticas y técnicas no probabilísticas. Esta sección del tra-
bajo incluye también una breve discusión sobre el modo en el que las mues-
tras pueden ser extraídas al realizar entrevistas electrónicas.
Técnicas de muestreo probabilísticas

El muestreo probabilístico emplea «técnicas de selección que son indepen-
dientes del juicio humano y dan lugar a una probabilidad conocida y distinta
de cero de que un miembro particular de la población sea incluido en la mues-
tra», (KENT, 1999).
Se espera que la muestra así extraída sea representativa de toda la pobla-
ción en la que el proyecto centra su interés. Sin embargo, nunca puede ser una
réplica exacta de dicha población. No obstante, mediante la aplicación de téc-
nicas estadísticas, el muestreo probabilístico permite hacer una generalización
(basada en los resultados de la muestra) acerca de la población y nos ofrece un
método para calcular el grado de confianza que podemos otorgar a los resul-
tados de la muestra. Una ventaja adicional del muestreo probabilístico es que,
como cada unidad de la muestra tiene una probabilidad conocida de selec-
ción, no puede producirse sesgo alguno como consecuencia del proceso de
muestreo empleado; cualquier sesgo tendrá su origen en el error de marco
y/o en un error no muestral. El error muestral, en el caso del muestreo proba-
bilístico, se deriva de la variabilidad —la heterogeneidad— de la población
y/o del tamaño de la muestra.
Muestreo aleatorio simple

Se trata de la técnica probabilística más simple. En el Reino Unido, los Pre-
mium Bonds (un tipo de lotería) son seleccionados mediante un muestreo alea-
torio simple. Cuando se compra uno de estos cupones, el número es progra-
mado en un computador. Cada mes, la máquina selecciona, mediante la
generación de números aleatorios, una cantidad predeterminada de cupones
a los que se les asigna un valor monetario a modo de premio. Cada número es
© ITES-Paraninfo
incluido una sola vez en el computador; en caso contrario, algunos compra-

dores de cupones gozarían de una probabilidad injustamente mayor de ganar
y no se excluye a ningún cupón, por lo que cada cupón tiene una probabilidad
conocida e igual de ser seleccionado.
Otros métodos de muestreo aleatorio simple incluyen el uso de tablas de
números aleatorios. Se trata de tablas construidas por un computador que,
aleatoriamente, selecciona números entre 0 y 9. Dado que cada número es
seleccionado aleatoriamente, los números seleccionados no pueden tener
influencia alguna sobre las sucesivas selecciones de números.
En investigación de marketing, las tablas de números aleatorios pueden
usarse, a modo de ejemplo, de la siguiente forma:
Un banco desea seleccionar a 10.000 individuos que poseen su tarjeta de
crédito. Cada individuo puede ser identificado por un número de 16 cifras
inscrito en su tarjeta. Entonces, el investigador puede recurrir aleatoriamente
a cualquier página de un libro de números aleatorios y comenzar a contar blo-
ques de 16 dígitos, cada uno de los cuales se correspondería con el número de
una tarjeta de crédito (evidentemente, algunas combinaciones no se corres-
ponderán con números de tarjetas de crédito; éstos pueden ser descartados),
lo que permite identificar fácilmente al poseedor de la tarjeta. La muestra
habría sido seleccionada aleatoriamente y cada uno de estos clientes tendría
una probabilidad igual y conocida de ser seleccionados.
Existen también procedimientos sistemáticos de muestreo aleatorio.
Supongamos que el proyecto requiriera la selección de 100 unidades a partir
de una población de 8.000. La población sería dividida por el tamaño requeri-
do de la muestra:
8.000
= 80
100
= 80
Llamamos intervalo de muestreo a la cifra resultante (y fracción de mues-
treo a 1/80). Entonces se selecciona aleatoriamente un número entre 1 y 80
para iniciar el proceso. A partir de dicho número, se procede a la selección de
una unidad cada 80 unidades. Si el número aleatoriamente seleccionado fue-
ra, por ejemplo, 26, entonces las primeras unidades de muestreo serían 106,
186, 266 y así sucesivamente.
Ventajas
El muestreo aleatorio simple puede realizarse con relativa facilidad y, como el
proceso de selección es llevado a cabo de forma aleatoria, obedeciendo a las
leyes de la probabilidad, pueden hacerse estimaciones del tamaño del error
muestral que permiten realizar inferencias acerca de la población a partir del
cálculo de intervalos de confianza.
© ITES-Paraninfo
Inconvenientes
El principal inconveniente del muestreo aleatorio simple es que puede dar
lugar a muestras poco representativas y que, por tanto, no reflejen las caracte-
rísticas propias de la población. Supongamos una muestra de 500 individuos
con formación médica, realizada mediante un muestreo aleatorio simple a
partir del listado proporcionado por el Consejo Médico General (CMG). Es
posible (aunque improbable) que la muestra de 500 individuos esté compues-
ta únicamente por oftalmólogos; cualquier inferencia basada en esta muestra
sugeriría que todos los individuos inscritos en el CMG son oftalmólogos. No
obstante, se sabe que esto no es cierto y puede verificarse con sólo revisar el
listado completo de miembros de la CMG. Otro ejemplo: supongamos que se
extrae una muestra de cierta población y que la característica objeto de medi-
ción es altamente variable; podría tratarse de la renta anual, del número de
CD que posee un individuo o del tamaño del personal de una compañía. Cier-
tamente, la utilización del muestreo aleatorio simple nos permite calcular el
tamaño del error estándar. Cuanto mayor sea el rango de variación de la
variable en la muestra, mayor será dicho error estándar. Las curvas de distri-
bución de las muestras con una gran dispersión (y, por tanto, un alto error
estándar) tenderán a ser cortas y planas —con forma de «boina»—. Para este
tipo de curvas aplanadas, el intervalo definido por ± el error estándar incluye
un amplio rango de valores; esto significa que aunque podemos calcular el
error estándar, su uso está muy limitado a causa de su gran tamaño.
El muestreo aleatorio simple no puede hacer nada para contrarrestar la
variabilidad de la población, derivando en una situación que puede introdu-
cir un alto grado de error muestral en el proceso de muestreo. (Para una dis-
cusión más detallada del uso de la estadística en investigación de mercados,
véase el Apéndice.)
La variabilidad de una muestra puede, en cierta medida, reducirse a tra-
vés del uso del muestreo aleatorio estratificado.
Muestreo aleatorio estratificado

El muestreo aleatorio estratificado acepta que una población tenga un alto gra-
do de variabilidad y trata de asegurar que los diferentes segmentos de la pobla-
ción estén representados en la muestra en las mismas proporciones con las que
éstos están presentes en la población. Si éstos están adecuadamente representa-
dos en la muestra, el error estándar se verá reducido (la curva de distribución
tendrá forma de «sombrero de burro», será más apuntada y la desviación típica
no será tan grande) y las generalizaciones acerca de la población basadas en la
muestra podrán efectuarse con un mayor nivel de confianza. El fundamento del
muestreo aleatorio estratificado es el concepto de estratificación.
En la estratificación, la población es dividida en estratos mutuamente
excluyentes; las unidades muestrales sólo pueden formar parte de un estrato,
© ITES-Paraninfo
ya que de lo contrario éstas no tendrían una probabilidad de selección igual.

Además, debemos asegurarnos de que todas las unidades muestrales son
incluidas en un estrato; si se omite alguna unidad, ésta no tendrá una proba-
bilidad conocida de ser seleccionada. En efecto, el muestreo aleatorio estrati-
ficado adopta la posición de que cada estrato es una población en sí mismo;
entonces se efectúa un muestreo aleatorio dentro de cada estrato. Así, dado
que cada unidad muestral es seleccionada aleatoriamente dentro de cada
estrato, el proceso de selección sigue las leyes de la probabilidad.
Los criterios de estratificación pueden ser geográficos, demográficos, psi-
cográficos, basados en la renta o cualquier otra variable apropiada para la
investigación en curso. El objetivo de la estratificación es conseguir que las
unidades muestrales incluidas en cada estrato sean tan parecidas como sea
posible, al tiempo que se procura que los estratos sean lo más diferentes posi-
ble en relación con el criterio de estratificación. Definir un gran número de
estratos asegura la existencia de un alto grado de homogeneidad entre las uni-
dades muestrales incluidas en un estrato, aunque generalmente implica que
las diferencias entre los estratos se vean reducidas.
Muestreo aleatorio estratificado proporcional y no proporcional

Una vez dividida la población en estratos, es necesario decidir qué tipo de
proceso de muestreo será llevado a cabo.
En el muestreo proporcional, la proporción de cierta característica poseída
por la población se ve reflejada en la muestra en la misma proporción. Por ejem-
plo, si un 19,7% de la población es miembro de clubes deportivos, entonces un
19,7% de la muestra taqmbién debería ser miembro de clubes deportivos.
En el muestreo no proporcional, la proporción de cierta característica
poseída por la población no se ve reflejada en la misma medida en la muestra.
Si se está realizando una investigación acerca de la compra de, por ejem-
plo, ropa interior térmica, parece un supuesto razonable que en el estrato de
individuos de más de 65 años de edad se produzca una compra de este tipo de
productos mayor que en cualquier otro estrato de edad. Si se empleara un
muestreo proporcional, el número de unidades en el grupo de más de 65 años
sería una base demasiado pequeña para generalizar acerca de la totalidad de
la población. El muestreo aleatorio estratificado no proporcional podría usar-
se también si existe una gran variabilidad dentro de cierto estrato; en tal caso,
resultaría útil sobrerrepresentar dicho estrato en la muestra. Un alto grado de
variabilidad intra-estrato implica ciertos problemas a la hora de asegurar la
representatividad, un problema que sería mayor en el caso de utilizar un
muestreo aleatorio proporcional.
El lector habrá comprobado que esta ampliación o disminución del tama-
ño de ciertos estratos no obedece a las leyes de la probabilidad, ya que en este
© ITES-Paraninfo
caso no todas las unidades muestrales tienen una probabilidad igual de ser
seleccionadas. Esto es cierto, aunque la probabilidad de ser seleccionadas con-
tinúa siendo conocida; por tanto, las leyes de la probabilidad continúan ope-
rando y, al calcular los resultados, deberán aplicarse las ponderaciones ade-
cuadas para corregir estas distorsiones que han sido deliberadamente
impuestas al proceso de selección.
El muestreo aleatorio estratificado tiene la ventaja, común a todas las for-
mas de muestreo probabilístico, de que permite realizar estimaciones del
tamaño del error muestral. A esto le podemos añadir una ventaja adicional:
dado que el muestreo aleatorio estratificado tiene la habilidad de reducir los
efectos de la variabilidad derivada de las muestras grandes, éste permite
reducir el tamaño del error muestral.
El principal inconveniente de esta técnica es que la posibilidad de dividir
la muestra en estratos significativos depende de la identificación de criterios
de estratificación relevantes para el proyecto de investigación. Dado que el
proceso de estratificación puede realizarse únicamente utilizando variables
cuya distribución es conocida en la población objeto de estudio, esta técnica
no resulta tan flexible como puede parecer, ya que las cifras comúnmente dis-
ponibles acerca de la distribución de las características de la población son de
carácter demográfico y éstas pueden no ser relevantes para el proyecto de
investigación. Además, la estratificación puede hacer más costoso el proceso
de muestreo, ya que (a) el proceso requiere de un marco muestral para cada
uno de los estratos y (b) el proceso puede seleccionar unidades muestrales
muy dispersas geográficamente. Un método diseñado para salvar este incon-
veniente es el muestreo por conglomerados.
Muestreo por conglomerados

En el muestreo por conglomerados, la población se divide también en sub-
grupos, aunque en este caso dichos subgrupos son denominados clusters o
conglomerados en lugar de estratos. Cada conglomerado debería contener
unidades muestrales tan similares como sea posible en relación con cierta
característica, al tiempo que los conglomerados sean tan diferentes entre sí
como sea posible; éstos deben ser «mutuamente excluyentes» (i.e., no deben
solaparse) y «colectivamente exhaustivos» (i.e., todas las unidades son inclui-
das) (WEIERS, 1988).
A continuación, se realiza una selección aleatoria de conglomerados. La
etapa final implica seleccionar una muestra aleatoria o un censo dentro de los
conglomerados seleccionados, aunque generalmente se opta por la primera
de estas opciones.
En un muestreo por conglomerados de área, la localización geográfica es
la variable utilizada como criterio de estratificación que divide la población en
conglomerados. Así, el Reino Unido puede dividirse en varias regiones:
© ITES-Paraninfo
Strathclyde, West Midlands, Greater Manchester, etc. Entonces, se selecciona

aleatoriamente determinado número de estas áreas. Supongamos que las tres
regiones elegidas aleatoriamente son Grampian, Lothian y East Anglia. El
siguiente paso consiste en seleccionar una muestra dentro de estos tres con-
glomerados o realizar un censo dentro de los mismos. Las leyes de la proba-
bilidad son respetadas —todos los elementos tienen una probabilidad conoci-
da e igual de ser seleccionados, lo que significa que puede efectuarse una
estimación del error muestral—. Además, puede observarse que las unidades
muestrales se encuentran menos dispersas geográficamente —una ventaja
que permite recortar los costes al reducirse considerablemente los gastos de
viaje.
El principal inconveniente del muestreo por conglomerados se deriva de
los problemas asociados a una definición demasiado restringida de los con-
glomerados; i.e., si sólo se muestrean pequeñas áreas geográficas, podría pro-
ducirse una reducción de la eficiencia estadística del proceso de muestreo. Por
ejemplo, en un área geográfica pequeña, su población puede tener niveles de
renta, tipos de vivienda, clasificaciones sociales y niveles de educación simi-
lares. Dado que se supone que cada conglomerado contiene un conjunto de
unidades más o menos homogéneas, resulta contraproducente utilizar una
muestra de gran tamaño para alcanzar un resultado más representativo. Aun-
que en el muestreo por conglomerados se produce un empeoramiento de la
eficiencia estadística, la eficiencia económica resulta bastante mayor.
Muestreo polietápico
Si una población está muy dispersa en relación con cierta característica, espe-
cialmente en lo referente a su localización geográfica, a menudo resulta apro-
piado utilizar una técnica de muestreo polietápico. Además, si resulta necesa-
rio realizar una estimación del error muestral, pueden aplicarse las leyes de la
probabilidad.
La técnica del muestreo por conglomerados descrita anteriormente cons-
tituye un muestreo monoetápico; el muestreo polietápico es una forma de
muestreo por conglomerados en la que se define más de una etapa.
Si los conglomerados objeto de muestreo tienen un tamaño muy hetero-
géneo, parece apropiado que el proceso de muestreo se efectúe siguiendo la
denominada Probabilidad Proporcional al Tamaño (PPT). Por tanto, un con-
glomerado, que puede ser un estado, un país, una región o una ciudad, que
sea dos veces más grande que otros conglomerados de la población, debería
tener el doble de probabilidad de selección. Veamos un ejemplo que aclare el
proceso.
Deseamos extraer una muestra de 100 dentistas del Reino Unido. En pri-
mer lugar, se divide el país en regiones, tal y como hicimos anteriormente, y
se selecciona aleatoriamente un número de ellas con una probabilidad pro-
© ITES-Paraninfo
porcional al tamaño de su población de dentistas. Así, Greater London, con X

veces la población de dentistas de Outer Hebrides, tendrá X veces más proba-
bilidad de ser seleccionada. Se seleccionan 5 regiones a partir de este proce-
dimiento.
En segundo lugar, dentro de cada una de estas 5 regiones se seleccionan
aleatoriamente 4 ciudades con una probabilidad proporcional a su tamaño.
Así, Glasgow, con una población de 500 dentistas, tiene cinco veces más pro-
babilidad de ser seleccionada que Ipswich, que sólo tiene 100 dentistas. Así,
en total se seleccionan 20 ciudades en esta segunda etapa.
En tercer lugar, se seleccionan aleatoriamente 5 dentistas en cada ciudad.
Hemos seleccionado los 100 dentistas que necesitábamos y éstos han sido ele-
gidos a través de una técnica probabilística, a pesar de lo cual se encuentran
dispersos en sólo 20 ciudades, en lugar de estar dispersos por todo el país, tal
y como podría haber ocurrido si se hubiera optado por un muestreo aleatorio
simple.
Es importante destacar que el muestreo estratificado y el muestreo polietá-
pico son bastante diferentes. En el muestreo estratificado la población es divi-
dida en subgrupos (estratos) y la muestra se efectúa en todos estos estratos. En
el muestreo polietápico, la población es igualmente dividida en subgrupos
(conglomerados), pero la muestra sólo se efectúa en algunos de dichos conglo-
merados. El muestreo aleatorio estratificado suele emplearse para reducir la
variabilidad de la muestra y, por tanto, el error muestral. El uso del muestreo
polietápico suele estar motivado por razones de coste y de ahorro de trabajo.
Los inconvenientes del muestreo polietápico son similares a las del mues-
treo por conglomerados, ya que este procedimiento puede resultar engorroso
y la selección de conglomerados compuestos por unidades muestrales muy
homogéneas puede incrementar el error muestral, i.e., en el caso de seleccio-
nar áreas pequeñas de una ciudad.
Una gran ventaja asociada tanto al muestreo por conglomerados como al
muestreo polietápico es que permite la utilización de una técnica de muestreo
probabilístico sobre una población para la que, a nivel macro, no existe un
marco muestral adecuado. Es difícil identificar un marco muestral que cubra
todo un país. La utilización del muestreo por conglomerados o del muestreo
polietápico, que reducen el número de áreas geográficas en las que realizar el
muestreo, las posibilidades de encontrar un marco muestral adecuado a nivel
micro se ven incrementadas, ya que generalmente están disponibles mapas de
las ciudades o censos electorales.
Técnicas de muestreo no probabilísticas

Las técnicas probabilísticas de muestreo se basan en las leyes de la probabili-
dad; como cada unidad muestral tiene una probabilidad conocida de ser
© ITES-Paraninfo
seleccionada, es posible efectuar estimaciones del tamaño del error muestral.

En el muestreo no probabilístico, las probabilidades de selección son desco-
nocidas; por tanto, las posibilidades de generalización acerca de una pobla-
ción, a partir de los resultados de la muestra, se ven considerablemente redu-
cidas. El muestreo no probabilístico no requiere el uso de un marco muestral,
por lo que los costes del proyecto pueden verse reducidos.
La muestra es elegida a conveniencia del investigador o para cumplir con
los requerimientos de determinado propósito. No obstante, según KUMAR,
AAKER y DAY (1999), si el muestreo es realizado incorrectamente, los resulta-
dos del muestreo no probabilístico pueden contener «errores e incertidumbres
que pueden hacerlos peores que si no se tiene alguna información».
Muestreo de conveniencia
El factor más importante considerado en este estilo de muestreo es que la ope-
ración debería ser conveniente y cómoda para quienes deben llevar a cabo la
investigación. Un profesor universitario podría desear medir la reacción de
sus estudiantes respecto a su último libro de investigación de marketing, para
lo cual podría preguntarle a los estudiantes de último curso de licenciatura.
Dicha muestra podría contener errores y/o sesgos desconocidos y difíciles de
conocer. El profesor podría no tener idea de la representatividad de su clase
en relación con la población nacional de estudiantes de empresariales. Y, dado
que no se respetan las leyes de la probabilidad, no puede realizarse estima-
ción alguna del tamaño del error muestral. El muestreo de conveniencia pue-
de realizarse rápidamente y a un coste mínimo. De ahí que éste sea empleado
normalmente en las fases exploratorias de un proyecto de investigación, cuan-
do puede ser de gran ayuda para ofrecer el «sentimiento» acerca de la materia
objeto de investigación.
Muestreo por juicio

En el muestreo por juicio, se realiza un intento por asegurar que la muestra
sea más representativa que en el ejemplo anterior de muestreo de convenien-
cia. Los investigadores utilizan su experiencia o hacen uso del servicio de
expertos en el campo apropiado para realizar una evaluación de la situación y
elegir, entonces, las unidades muestrales más apropiadas sobre la base de su
supuesta relevancia para el proyecto de investigación. Por ejemplo, si fuera
necesario realizar una encuesta en el sector químico, podría seguirse el conse-
jo de expertos en la materia o ejercer el juicio propio (si uno se encuentra sufi-
cientemente informado), en relación con aquellas compañías individuales que
deberían ser incluidas en la muestra, de modo que se cumpla con los objetivos
globales de investigación del proyecto.
Si la población es pequeña y el conocimiento, experiencia y juicio de quie-
nes seleccionan las unidades muestrales son adecuados, el muestreo por jui-
© ITES-Paraninfo
cio puede derivar en una muestra con menor error muestral que la resultante
de un muestreo aleatorio simple, aunque esto no pueda ser probado de forma
concluyente. No obstante, a medida que las muestras sean más grandes y/o
las poblaciones sean más complejas, el muestreo por juicio se convierte en una
técnica menos fiable en comparación con aquellas otras que tienen la ventaja
de estar basadas en las leyes de la probabilidad.
Muestreo intencionado
En este sistema, las unidades muestrales no son seleccionadas con el propósi-
to de que éstas sean representativas de la población; la base de esta técnica de
muestreo es que los miembros de la muestra deberían cumplir ciertos criterios
considerados apropiados para completar con éxito la investigación.
Por ejemplo, un proyecto puede tener por objetivo lanzar un nuevo tipo
de zapatillas para correr. Por tanto, se puede seleccionar una muestra inten-
cionada de 250 corredores del país para medir sus reacciones ante el nuevo
tipo de zapatillas.
Muestreo por cuotas

No puede decirse que los métodos no probabilísticos descritos hasta este pun-
to hagan intento alguno por ser representativos de la población. De hecho, el
muestreo intencionado parece deleitarse con el rechazo de este criterio.
En el muestreo por cuotas, existe un intento de reflejar en la muestra las
características de interés en la misma proporción en las que éstas se producen
en la población. Si, por ejemplo, se decide extraer una muestra por cuotas de
una población para evaluar un nuevo periódico, entonces variables tales
como la edad, el sexo, la clase social o el nivel de renta podrían emplearse para
segmentar la población de modo que cada grupo de edad, sexo, clase social y
renta se viera representado en las mismas proporciones en la muestra y en la
población.
Los controles de cuota deberían ser apropiados a la situación de investi-
gación, fáciles de emplear, disponibles y actualizados y no deberían dar lugar
a demasiadas «celdas». De todas estas condiciones, quizá la más importante
sea que deben ser relevantes para las características objeto de estudio. Por
ejemplo, resulta de una utilidad limitada para los objetivos de la investigación
utilizar cuotas basadas en la edad, la renta o el origen étnico sólo porque esta
información resulta fácil de obtener, si las características de la población obje-
to de medida no están relacionadas con estas variables.
El muestreo por cuotas tiene la ventaja de ser más barato, más rápido y
más fácil de realizar que las técnicas de muestreo probabilístico. Además, se
puede realizar sin la necesidad de un marco muestral.
© ITES-Paraninfo
Los inconvenientes surgen del posible sesgo del entrevistador en la selec-

ción de las unidades muestrales para cubrir cada «celda» de la cuota. Otro
inconveniente más surge del posible desajuste existente entre los controles
seleccionados para establecer las cuotas y las características objeto de medida;
resulta también difícil de descubrir, y hacer funcionar, controles de cuota que
puedan contener el alto grado de variabilidad que puede existir en una pobla-
ción. Y, como en el resto de las técnicas no probabilísticas, el método no per-
mite la estimación del tamaño del error muestral.
Es importante no confundir el muestreo por cuotas con el muestreo estra-
tificado. La principal diferencia entre ambos es que en el primero el entrevis-
tador/investigador selecciona los elementos de la muestra, mientras que en el
último el proceso de selección tiene lugar aleatoriamente.
Muestreo en bola de nieve

En el muestreo en bola de nieve, se selecciona inicialmente un número de
individuos de forma aleatoria, que posteriormente son entrevistados para
determinar su visión sobre el tema en cuestión. A continuación, se pide a estos
individuos que propongan a otros individuos que puedan ser también miem-
bros de la población objeto de investigación. Posteriormente, se procede a
entrevistar a esta segunda oleada de individuos a quienes se les pide que
nombren a otros miembros de la población; así, la muestra es construida por
la agregación de las diferentes oleadas de individuos —un efecto en bola de
nieve.
MALHOTRA (1999) sostiene que esta técnica es particularmente útil cuando
el proyecto pretende «estimar características que son raras en la población».
También puede emplearse, según este mismo autor, en investigación de mar-
keting industrial para identificar y entrevistar a pares de compradores y ven-
dedores.
¿Muestreo probabilístico o no probabilístico?

Ambos tipos de técnicas de muestreo presentan ventajas e inconvenientes;
cada método puede ser más apropiado que los demás bajo ciertas condi-
ciones.
TULL y HAWKINS (1996) ofrecen la siguiente lista de factores a considerar al
adoptar una decisión a este respecto:
• El tipo de información necesaria: ¿se necesitan proporciones y/o pro-

medios o totales proyectables?
• El tamaño del error tolerado admitido por el problema: ¿se necesitan
estimaciones precisas de la población?
© ITES-Paraninfo
• ¿De qué tamaño podría ser el error no muestral?: ¿Con qué probabilidad
aparecerán los errores debidos a la elección del marco muestral, a la falta
de respuesta, a la medida o a las especificaciones de la población?
• Variabilidad de la población: ¿es la población homogénea o heterogé-
nea en relación con la característica de interés?
• ¿Cuáles son los costes asociados al error? ¿Cuáles serán los costes si los
resultados obtenidos están por encima o por debajo de los niveles tole-
rados de error?
Para TULL y HAWKINS, «la necesidad de totales proyectables, niveles bajos

de error tolerado, una alta heterogeneidad de la población, bajos errores no
muestrales y altos costes esperados de error favorecen el uso de un muestreo
probabilístico».
El muestreo en encuestas electrónicas

Dado el crecimiento actual de la posesión de computadores y el marcado
declive en los últimos años de la efectividad del teléfono como medio para la
realización de encuestas, es posible decir que, tal y como lo destacan SUDMAN
y BLAIR (1999), las encuestas electrónicas reemplazarán al teléfono «en el pró-
ximo cuarto de siglo». Estos autores continúan destacando tres casos en los
que es posible obtener muestras razonablemente buenas para su uso en
encuestas electrónicas:
1. Dado que casi todas las empresas tienen computadores y muchas de

ellas realizan sus negocios a través del correo electrónico, éstas man-
tienen directorios con las direcciones de correo electrónico de sus
clientes. Este tipo de base de datos les permitirá hacer uso de cuestio-
narios electrónicos para entrevistar a una muestra de dichos clientes.
Alternativamente, si la entrevista es larga, pueden recoger el cuestio-
nario sobre una página Web y enviar un correo electrónico a una
muestra de clientes para invitarles a visitar dicha página y completar
dicho cuestionario. Este sistema también permite realizar llamadas de
seguimiento. SUDMAN y BLAIR (1999) recomiendan también que el
cuestionario se ubique en un sitio Web distinto de la página de la com-
pañía y que se proteja mediante una clave de acceso con el fin de que
la muestra deseada no se mezcle con visitantes ocasionales que deci-
dan rellenar voluntariamente el cuestionario.
2. Otro método consiste en pedir a los visitantes de las páginas Web de la
empresa que entren en un formulario de registro. Este registro puede uti-
lizarse entonces como base para un proceso de muestreo posterior. Sin
embargo, debemos tener en cuenta que no todos los visitantes de una
página Web son clientes o ni tan siquiera potenciales clientes y que no
© ITES-Paraninfo
todos los clientes o potenciales clientes van a visitar las páginas Web de
la compañía, por lo que esta base de datos puede tener un uso limitado.
3. Las muestras para una encuesta electrónica pueden obtenerse también
trabajando con una compañía que realice paneles y que tenga acceso a
aquellos miembros del panel que tengan acceso electrónico. En tal
caso, se envía un correo electrónico a ciertos miembros del panel para
invitarles a visitar la página Web que contiene el cuestionario.
Determinación del tamaño de la muestra

Una cuestión importante a la que el investigador debe dar respuesta es: ¿de
qué tamaño debe ser la muestra que se extraiga de la población?
El tamaño de la muestra depende fundamentalmente del grado de preci-
sión necesario, i.e., del grado de representatividad que se quiere otorgar a la
muestra de la población en relación con la característica/variable de interés.
La precisión dependerá de dos características de la población que la mues-
tra debe reflejar:
1. El grado de variabilidad de la población: poblaciones con un alto gra-

do de heterogeneidad requieren muestras más grandes (digamos que
para capturar su espectro de opinión) que aquellas poblaciones más
homogéneas.
2. La presencia de subgrupos en la población: la muestra debe ser lo sufi-
cientemente grande como para permitir un análisis válido de cual-
quier subgrupo presente en la población.
Como ocurre con otros muchos aspectos de la investigación de marketing,

la determinación del tamaño de la muestra es una cuestión de compromiso.
Obviamente, dejando a un lado todo tipo de restricciones, los investigadores
preferirían llevar a cabo un censo (dada la ausencia de error no muestral) en
lugar de tener que tomar una muestra, aunque la presencia de restricciones
resulta demasiado frecuente. La estimación del tamaño de la muestra preten-
de lograr el máximo beneficio con el mínimo de inconveniente.
LUCK y RUBIN (1987) sostienen que la determinación del tamaño de la
muestra constituye una habilidad tan importante como el desarrollo del dise-
ño del cuestionario. Al decidir, por ejemplo, entre incrementar el tamaño de la
muestra para reducir el error muestral e incrementar el coste o reducir el pre-
supuesto con el problema consecuente del incremento del tamaño del error
muestral, deben ser considerados tanto factores de índole cuantitativa como
otros de carácter cualitativo.
Cinco de los métodos más comúnmente empleados para estimar el tama-
ño de la muestra se presentarán a continuación.
© ITES-Paraninfo
Juicio
Este método confía en el juicio/experiencia del investigador. El «juicio» pue-
de también implicar que el tamaño de la muestra se decide de forma un tanto
arbitraria, lo que supone ignorar factores tales como el coste, el valor y el nivel
necesario de precisión, que deberían ser considerados.
Se trata de un método a emplear cuando se haya probado con el resto de
posibilidades.
¿Qué podemos permitirnos?

No sólo debe considerarse el coste del muestreo, sino también todos los costes
asociados con el resto del proyecto: el análisis de datos, los salarios de los tra-
bajadores de campo, teléfono, etc. Sin embargo, este modo de estimar el tama-
ño de la muestra deja de considerar el valor de la información a recoger. El
coste es en sí mismo una guía bastante pobre para decidir el tamaño de la
muestra. Por ejemplo, una muestra pequeña realizada utilizando un cuestio-
nario detallado puede ser mucho más útil, aunque a coste por unidad supe-
rior, que una muestra grande en la que se emplee un cuestionario muy breve,
siempre que la información así obtenida sea de mayor valor.
¿Qué hicieron otros proyectos?

Es posible utilizar una muestra de tamaño similar a la empleada por otros
investigadores que perseguían el mismo objetivo o un objetivo similar. Este
planteamiento se basa en el supuesto de que otros proyectos utilizaron mues-
tras de tamaño óptimo y que éstos se enfrentaron a restricciones similares.
Por tanto, la investigación de datos secundarios acerca del modo en el que
otros proyectos decidieron acerca del tamaño de sus muestras puede ser de
gran utilidad como guía para el proyecto actual, aunque no debe ser la única
base sobre la cual decidir en relación con el tamaño de nuestra propia muestra.
Tamaño requerido para cada celda

Este método puede emplearse tanto para el muestreo por cuotas como para el
muestreo aleatorio estratificado.
Es bastante usual aceptar un mínimo de 30 unidades por celda en mues-
treo aleatorio estratificado antes de llevar a cabo cualquier análisis estadístico.
Por tanto, si una muestra está compuesta por tres grupos de edad, dos cate-
gorías de renta y tres áreas geográficas, el número de celdas será 3 × 2 × 3 = 18.
Dieciocho celdas con un mínimo de 30 unidades muestrales, suma un tamaño
muestral mínimo de 540 individuos.
La cifra de 30 unidades por celda se observa también en el muestro por
cuotas a pesar de que no se vaya a realizar análisis estadístico alguno.
© ITES-Paraninfo
Método estadístico
La precisión de la muestra, i.e., el grado en el que constituye una representa-
ción veraz de la población en relación con las características seleccionadas, no
está relacionada con el tamaño de la población sino con el tamaño de la mues-
tra y con la variabilidad de la población de la que ha sido seleccionada.
La estadística puede emplearse para calcular el nivel o grado de confian-
za que puede asociarse a los resultados de una muestra.
Se sabe que:
• Un 68% de los valores muestrales se encuentran dentro de un rango de

+ o – el error estándar de la media.
+ o – dos veces el error estándar de la media.
+ o – tres veces el error estándar de la media.
Antes de hacer cualquier estimación del tamaño de la muestra, es necesa-

rio dar respuesta a tres cuestiones:
1. ¿Qué nivel de precisión debe tener la estimación?

2. ¿Qué nivel de confianza debe tener?
3. ¿Qué grado de dispersión presenta la población, i.e., cúal es su desvia-
ción típica?
La fórmula que relaciona estas tres cuestiones es:
Nivel de precisión necesario

Nivel de confianza = (Fórmula 4.1)
Error estándar
Que puede reorganizarse del siguiente modo:
Nivel de precisión necesario

Error estándar = (Fórmula 4.2)
Nivel de confianza
El error estándar viene dado por la fórmula:
σ
Error estándar =
√N
donde σ = desviación típica y N = tamaño de la muestra.
© ITES-Paraninfo
Por tanto, la Fórmula 2 se convierte en:
σ Nivel de precisión necesario

=
√N Nivel de confianza
Las primeras dos cuestiones a resolver, el nivel de precisión y el nivel de

confianza, serán contestadas mediante el uso de la experiencia, el juicio y las
necesidades de la investigación. La tercera cuestión, la concerniente a la des-
viación típica de la población, puede ser contestada bien consultando datos
secundarios, e.g., estadísticas gubernamentales, etc.; o, si no hubiera datos se-
cundarios, montando una pequeña encuesta exploratoria que permita mues-
trear la población, lo que permitiría calcular la desviación típica. El tamaño de
la muestra puede calcularse a partir de esta «mini-muestra». Veamos un ejem-
plo para demostrar cómo funciona la teoría en la práctica.
Supongamos que se desea calcular el tamaño de la muestra necesaria para
estimar la altura media de los estudiantes universitarios con ±4 cm de error y
un nivel de confianza del 95%.
Consultamos las estadísticas gubernamentales y descubrimos que la des-
viación típica de la altura de la población es de 20 cm.
σ Nivel de precisión necesario

Utilizamos la fórmula: =
√N Nivel de confianza
Numéricamente:
20 4
=
√N 2
20 • 2
√N =
4
√N = 10
N = 100
El proyecto requeriría una muestra de 100 estudiantes.

Existen otras muchas técnicas estadísticas que pueden emplearse, utili-
zando conceptos tales como la significación de los resultados y la correlación
entre las variables, eventos u otros conjuntos de datos.
No es nuestra intención que este texto profundice más en estas cuestiones
estadísticas. Los estudiantes interesados podrán satisfacer sus intereses sobre
esta materia en volúmenes con mayor profundidad más específicamente
dedicados a esta cuestión.
© ITES-Paraninfo
Definición del plan de muestreo
Este paso supone hacer operativas todas las decisiones tomadas hasta el
momento. En la fase de preparación de este proceso deberían considerarse
dos objetivos fundamentales:
1. Que se recoja el máximo de información relevante de aquellos que

cumplen las especificaciones de la muestra requerida.
2. Intentar reducir al mínimo todos los errores posibles.
Los principales métodos para recoger datos primarios son la experimen-

tación, la observación, la entrevista personal, la encuesta postal, la entrevista
electrónica y la entrevista telefónica. Ahora, aunque es posible no haber toma-
do aún la decisión acerca del método de recogida de información en este pun-
to, en la práctica, dicha decisión habrá sido ya tomada. Sin una política preli-
minar en relación con la recolección de datos en general, no habría sido fácil
llegar a este punto; puede que haya que haber tomado una decisión acerca del
método de recolección de información a emplear o puede que ésta haya sido
ya tomada al inicio del proyecto. Es posible que los datos necesarios para
cumplir las demandas específicas impuestas por los objetivos de la investiga-
ción sólo puedan ser recogidos de ciertos modos.
No obstante, una vez que se ha llegado a una decisión preliminar acerca
de la recolección de información, el plan de muestreo debe convertir ahora la
intención de actuar en una verdadera actuación.
El plan de muestreo debe decidir sobre cuestiones tales como:
• ¿Qué constituye un hogar?

• ¿Cómo se define un cabeza de familia?
• ¿Cómo debe actuar el equipo de investigación si un cuestionario es
devuelto porque el individuo seleccionado se ha mudado?
• ¿Qué hacer si en una entrevista telefónica el entrevistado cuelga tras
responder únicamente a un 50% del cuestionario?
El plan de muestreo necesita tomar decisiones políticas sobre el modo en

el que el plan de muestreo debe administrarse.
Selección de la muestra
¡El momento de la verdad! La muestra está seleccionada: la «falsa guerra» ha

terminado.
© ITES-Paraninfo
CASO DE ESTUDIO
El uso de la medida basada en encuestas y del muestreo

en un contexto industrial
XYZ Plastics Ltd (una empresa ficticia) tiene un beneficio de aproximadamente 15 millo-
nes de libras anuales y está especializada en la fabricación de tuberías y accesorios de
plástico para su uso en el sector del automóvil y de vehículos comerciales. Su oferta de
productos incluye tuberías para gases y líquidos calientes y fríos, para ventilación y para
conductos eléctricos.
Recientemente, la compañía ha venido sufriendo una reducción en su nivel de acti-
vidad. En líneas generales, esto se debe a la combinación de:
• Una recesión económica general que ha tenido un severo efecto sobre el sector
automovilístico.
• El desarrollo del negocio doméstico de reparación de automóviles que está redu-
ciendo el volumen de ventas de XYZ en sus mercados tradicionales, i.e., las
reparaciones realizadas en garajes especializados.
• El incremento de los esfuerzos comerciales de los competidores tradicionales de
XYZ.
• La entrada en el mercado de productos competitivos de bajo precio.
Internamente, la compañía decidió que era necesario realizar una investigación de

mercados cuyos objetivos generales deberían ser destacar los puntos fuertes y débiles
de la compañía en relación con sus competidores, ofreciendo datos que sirvieran de
base a una nueva estrategia de marketing. Tras consultar con la agencia de investigación
de marketing contratada, la propuesta de investigación que fue mutuamente acordada
pretendía investigar las siguientes áreas de interés:
1. La imagen de la compañía en el mercado.

2. Su posición competitiva en relación con:
— Los competidores establecidos.

— Los nuevos productos a bajo precio.
3. El rango y la calidad percibida de sus productos.

4. El grado de lealtad de sus clientes a la compañía y a la marca.
5. Las fortalezas y debilidades de la mezcla de marketing de la compañía.
6. Las tendencias activas en su modo de distribución preferido.
La compañía acordó con la agencia de investigación que se seleccionarían aproxi-

madamente 300 entrevistados a partir de un muestreo aleatorio proporcional, utilizando
el tamaño de la compañía compradora como criterio de estratificación. También, debía
realizarse una muestra de 50 individuos, seleccionados nuevamente según un muestreo
aleatorio estratificado proporcional del personal situado en los mercados finales, quie-
nes llevan a cabo la función de especificación del producto; también, en este caso, se
empleó el tamaño de la compañía como criterio de estratificación.
Aunque existía una gran dispersión geográfica entre los entrevistados, el tipo de
información que era necesario recabar obligaba a realizar entrevistas personales, basa-
das en cuestionarios semiestructurados. A pesar de que parte de la información a reca-
© ITES-Paraninfo
bar era de naturaleza factual, la mayor parte de la misma está constituida por medidas
de opiniones y actitudes. Este hecho, junto con la oportunidad de contar con una discu-
sión en profundidad de probar las respuestas de los entrevistados, convenció a la agen-
cia de investigación de que el valor de los datos excedería ampliamente de los altos cos-
tes necesarios para recoger tales datos.
Resumen
Excepto en algunos casos raros en los que, por ejemplo, las poblaciones son de
pequeño tamaño, es bastante frecuente en investigación de marketing extraer
una muestra de la población en lugar de realizar un censo.
El capítulo discute el proceso de muestreo y el modo en el que éste encaja
con otros elementos del proyecto de investigación.
Se han mostrado las técnicas probabilísticas y no probabilísticas de mues-
treo, junto con una breve explicación de algunos métodos estadísticos básicos.
El capítulo concluye con una discusión acerca de los modos en los que puede
determinarse el tamaño de la muestra.
La decisión relativa a la técnica de muestreo a emplear y al tamaño de la
muestra se ve condicionada, en gran medida, por la necesidad de reducir al
mínimo el tamaño del error muestral. Técnicas probabilísticas frente a técnicas
no probabilísticas, muestras grandes frente a muestras pequeñas —tales decisio-
nes implican, hasta cierto punto, la adopción de una solución de compromiso—.
Estas soluciones de compromiso no son fáciles de adoptar y, en caso de duda en
relación con la elección entre alternativas competitivas, los investigadores deben
guiarse por la idea de que la mejor (o la menos mala) de las opciones es aquella
que da lugar a la representación más fiable y válida de la población de interés.
Referencias
KENT, R. (1999): Marketing Research: Measurement, Method and Application,
Thomson Learning, London.
KUMAR, V.; AAKER, D. A. y DAY, C. S. (1999): Essentials of Marketing Research,
John Wiley & Sons, New York.
LUCK, D. J. y RUBIN, D. S. (1987): Marketing Research, 7.a ed., Prentice Hall,
Englewood Cliffs, New Jersey.
MALHOTRA, N. K. (1999): Marketing Research: An Applied Approach, 3.a ed., Pren-
tice Hall, Upper Saddle River, New Jersey.
SUDMAN, S. y BLAIR, E. (1999): Sampling in the Twenty-first Century, Academy of
Marketing Science, Greenvale.
TULL, D. S. y HAWKINS, D. I. (1996): Marketing Research: Measurement and
Method, 6.a ed., Macmillan, New York.
WEIERS, R. M. (1988): Market Research, 2.a ed., Prentice Hall, Englewood Cliffs,
New Jersey.
© ITES-Paraninfo

Capitulo 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 4

Cargado por

Copyright:

Formatos disponibles

4

Censo frente a muestra

Obviamente, resulta menos costoso muestrear un número restringido de casas

En un mundo ideal, los consultores de investigación de marketing tienen pre-

cambiado completamente; una amenaza puede haber tenido un impacto

La precisión de una medida es el grado o el nivel de precisión con la que la

Sin embargo, el error muestral no es la única fuente de contaminación que

La naturaleza destructiva de la medida

Nuestro «chef» de la introducción de este capítulo no podría realizar un «cen-

El Rey de Hammerstein observó que sólo un 6% de su muestra conocía la letra de

1. «Sólo un 6% de mi muestra puede recordar la letra de mi canción favorita». Ésta es

2. «Sólo un 6% de la nación puede recordar la letra de mi canción favorita». Ésta es una

Después de fijar algunos de los conceptos básicos del muestreo, conside-

5. Decidir el tamaño de la muestra.

Los objetivos de la investigación deberían haber detallado aquellas fuentes,

de información. Consecuentemente, los atributos de la población en la que el

lente ejemplo de un aspecto de la investigación en la que la investigación

Definición del marco de la población

Un marco muestral es un modo de establecer los límites de la población que con-

• Cada elemento debería ser incluido una sola vez.

A partir de esta exigente lista de condiciones, puede observarse fácilmen-

• Algunos abonados pueden no figurar en el directorio.

Selección de la unidad muestral

La unidad muestral es la entidad que contiene al elemento o elementos de la

Diseño del proyecto

Elección de un método de muestreo

El muestreo es el proceso por el que se selecciona cierto número de unidades

Técnicas de muestreo probabilísticas

Muestreo aleatorio simple

incluido una sola vez en el computador; en caso contrario, algunos compra-

Muestreo aleatorio estratificado

ya que de lo contrario éstas no tendrían una probabilidad de selección igual.

Muestreo aleatorio estratificado proporcional y no proporcional

Muestreo por conglomerados

Strathclyde, West Midlands, Greater Manchester, etc. Entonces, se selecciona

porcional al tamaño de su población de dentistas. Así, Greater London, con X

Técnicas de muestreo no probabilísticas

seleccionada, es posible efectuar estimaciones del tamaño del error muestral.

Muestreo por juicio

Muestreo por cuotas

Los inconvenientes surgen del posible sesgo del entrevistador en la selec-

Muestreo en bola de nieve

¿Muestreo probabilístico o no probabilístico?

• El tipo de información necesaria: ¿se necesitan proporciones y/o pro-

Para TULL y HAWKINS, «la necesidad de totales proyectables, niveles bajos

El muestreo en encuestas electrónicas

1. Dado que casi todas las empresas tienen computadores y muchas de

Determinación del tamaño de la muestra

1. El grado de variabilidad de la población: poblaciones con un alto gra-

Como ocurre con otros muchos aspectos de la investigación de marketing,

¿Qué podemos permitirnos?

¿Qué hicieron otros proyectos?

Tamaño requerido para cada celda

• Un 68% de los valores muestrales se encuentran dentro de un rango de

Antes de hacer cualquier estimación del tamaño de la muestra, es necesa-

1. ¿Qué nivel de precisión debe tener la estimación?

La fórmula que relaciona estas tres cuestiones es:

Nivel de precisión necesario

Que puede reorganizarse del siguiente modo:

Nivel de precisión necesario

El error estándar viene dado por la fórmula:

Por tanto, la Fórmula 2 se convierte en:

σ Nivel de precisión necesario