Trabajo de Investigación

“Determinación del tamaño de

muestra”

Docente: Jesús Ramírez

Integrantes:
Itzel Areli García Guillén
Alejandro Avila Enriquez
Karen Adela Velázquez Ambriz
Jorge Alberto Méndez Meza
Miriam Falcon Archundia
Oscar Martínez Magaño

DETERMINACIÓN DEL TAMAÑO DE LA MUESTRA

¿Qué es?

“Toda investigación debe ser transparente, así como estar sujeta a crítica y replica, y este
ejercicio solamente es posible si el investigador delimita con claridad la población
estudiada y hace explicito el proceso de selección de su muestra”. (Sampieri, R. 2014).
No siempre, pero en la mayoría de las situaciones si se realiza el estudio de una muestra.
Las muestras se utilizan por economía de tiempo y recursos. Se define como un subgrupo
de la población o universo.

 Se utiliza por economía de tiempo y de recursos.

 Implica definir la unidad de muestro y de análisis.
 Requiere delimitar la población para generalizar resultados y establecer parámetros.

Aquí el interés se centra en “qué o quiénes”, es decir, en los participantes, objetos, sucesos
o colectividades de estudio (las unidades de muestreo que son los casos o elementos), los
cuales dependen mucho del planteamiento y los alcances de la investigación. Para
seleccionar una muestra lo primero que hay que hacer es definir la unidad de
muestreo/análisis (si se trata de individuos organizaciones, periodos comunidades,
situaciones, eventos, etc.). Y una vez definida la unidad se delimita la población.

Para el proceso cuantitativo, la muestra es un subgrupo de la población de interés sobre el

cual se recolectan los datos, y que tiene que definirse y delimitarse, además de que debe de
ser representativo de la población. El interés es que la muestra sea estadísticamente
representativa. Una vez que se ha definido cuál será la unidad de muestreo/análisis se
procede a delimitar la población que ser estudiada y sobre la cual se pretende generalizar
los resultados. Así “una población es el conjunto de todos los casos que concuerden con
una serie de especificaciones”. (Lepkowski, 2008).

Es preferible establecer con claridad las características de la población, con la finalidad de

delimitar cuáles serán los parámetros muestrales. Para una mejor explicación un ejemplo
podría ser “El uso de la televisión entre los niños”. Pero ¿De qué población se trata? ¿De
todos los niños del mundo? O acaso ¿De todos los niños de la República Mexicana?, así en
este ejemplo la población podría delimitarse a: Todos los niños del área metropolitana de la
Ciudad de México, que cursen 4° y 5° en escuelas privadas y públicas del turno matutino.
Esta definición por lo tanto elimina a niños mexicanos que no vivan en la zona
metropolitana de la ciudad de México. A los que no van a la escuela y a los que no asisten a
la escuela por la tarde. Las poblaciones deben situarse claramente por sus características de
contenido, lugar y tiempo. De esta manera se delimita la población que será estudiada.
Lo que siguiente es la muestra, digamos que es un subconjunto de elementos que
pertenecen a ese conjunto definido de sus características al que llamamos población. En
realidad, pocas veces es posible medir a toda la población, por lo que obtenemos o
seleccionamos una muestra y se pretende que ese subconjunto sea un reflejo fiel del
conjunto de la población. Todas las muestras en el enfoque cuantitativo deben ser
representativas: por lo tanto, el uso de los términos al azar y aleatorio solo denota un tipo de
procedimiento mecánico relacionado con la probabilidad de muestreo.

Ilustración 1. Representación de una muestra como subgrupo

Los tipos de muestra se categorizan en dos grandes ramas: las muestras probabilísticas y las
muestras no probabilísticas.

Muestras probabilísticas: Todos los elementos de la población tienen la misma

posibilidad de ser escogidos para la muestra y se obtienen definiendo las características de
la población y el tamaño de la muestra, por medio de una selección aleatoria o mecánica de
las unidades de muestreo/análisis.“Las muestras probabilísticas tienen muchas ventajas;
quizá la principal sea que puede medirse el tamaño del error en nuestras predicciones. Se
ha dicho incluso que el principal objetivo del diseño de una muestra probabilística es
reducir al mínimo este error, al que se le llama error estándar”. (Johnson, 2014). Estas son
esenciales en los diseños de investigación transaccionales, tanto descriptivos como
correccionales-causales, donde se pretende hacer estimaciones de variables en la población.
Estas variables se miden y se analizan con pruebas estadísticas en una muestra, de la que se
presupone que esta es probabilística y por lo tanto todos los elementos de la población
tienen una misma probabilidad de ser elegidos. Las unidades o elementos muestrales
tendrán valores muy parecidos a los de la población, de manera que las mediciones en el
subconjunto nos darán estimados precisos del conjunto mayor, la precisión de dichos
estimados depende del error del muestreo que es posible calcular.

Para hacer una muestra probabilística son necesarios dos procedimientos:

1. Calcular un tamaño de muestra que sea representativo de la población

2. Seleccionar los elementos muestrales (causales) de manera que al inicio todos
tengan la misma posibilidad de ser elegidos.

Para ello se recomienda utilizar el programa STAST ® que se puede descargar en software o
programas, con el subprograma tamaño de la muestra [Sample Size Determination].

Ilustración 2. Selección de la muestra en programa STAST®.

Cuando se elabora una muestra probabilística, uno debe preguntarse: dado que una
población es de N tamaño1, ¿Cuál es el menos número de unidades muestrales (personas,
casos, organizaciones, etc.) que necesito para confirmar una muestra (n) que me asegure un
determinado nivel de error de estándar, digamos menor de 0.01?, pues bien la muestra
consiste en encontrar una muestra que sea representativa del universo o población con
cierta posibilidad de error, es decir se pretende maximizar el nivel de confianza y
minimizar el nivel de error.

Imaginemos que pretendemos realizar un estudio de la siguiente población: las empresas de

mi ciudad. Entonces, lo primero es conocer el tamaño de la población (número de empresas
en la ciudad). Supongamos que hay 2 200. Al abrir el subprograma Tamaño de la muestra
(Sample Size Determination) en STATS®,el programa va a pedir los siguientes datos:

 Universe size (tamaño del universo):

 Maximum Acceptable Percentage Points of Error (error máximo aceptable):
1
En muestreo, cuando se utiliza una muestra mayúscula se habla de la población y una letra minúscula, de la
muestra (N = tamaño de población, n = tamaño de la muestra.
  Estimated Percentage Level (porcentaje estimado de la muestra):
 Desired Confidence Level (nivel deseado de confianza):

El tamaño del universo o población ya dijimos que es de 2 200. Debemos conocer este dato
o uno aproximado, sin olvidar que por encima de 99 999 casos da casi lo mismo cualquier
tamaño del universo (un millón, 200 mil, 54 millones, etc.), por lo que si tecleamos un
número mayor a 99 999 el programa pondrá esta cifra de manera automática, pero si
es menor la respeta. También pide que definamos el error estándar máximo aceptable
(maximum aceptable percentage points of error) (probabilidad), el porcentaje estimado de
la muestra (estimated percentage level) y el nivel de confianza (desired confidence level).

El error máximo aceptable se refiere a un porcentaje de error potencial que admitimos

como tolerancia de que nuestra muestra no sea representativa de la población (de
equivocarnos). El nivel de error puede ir de 20 a 1% en STAST®, los más comunes son 1 y
5%. El porcentaje estimado de la muestra es la probabilidad de ocurrencia del fenómeno
(representatividad de la muestra o no representatividad), la cual se define. La certeza total
siempre es igual a uno, las posibilidades a partir de esto son “p” de que sí ocurra y “q” de
que no ocurra (p + q = 1). Cuando no tenemos marcos de muestreo previos, usamos un
porcentaje estimado de 50% (que es la opción automática que brinda STATS®, es decir,
asumimos que “p” y “q” serán de 50% —igual probabilidad— o 0.50 —en términos de
proporciones—, y que resulta lo más común, particularmente cuando seleccionamos por
vez primera una muestra en una población). Finalmente, el nivel deseado de confianza es el
complemento del error máximo aceptable (porcentaje de “acertar en la representatividad de
la muestra”). Si el error elegido fue de 5%, el nivel deseado de confianza será de 95%. Una
vez más, los niveles más comunes son de 95 y 99%. En forma automática, STATS® coloca
el primero, pero podemos modificarlo.

Ya con todos los campos llenos, con sólo presionar el botón de Calcular, se obtiene el
tamaño de muestra representativo para el universo, en términos de probabilidad.
Muestra probabilística estratificada: En ocasiones el interés del investigador es comparar
sus resultados entre segmentos, grupos y nichos de la población, porque así lo señala el
planteamiento del problema. El nombre nos dice que será probabilística y que se consideran
segmentos o grupos de la población, o lo que es igual: estratos, es decir, el muestro en el
que la población se divide en segmentos y se selecciona una muestra para cada segmento.
Supongamos que pretendemos realizar un estudio con directores de recursos humanos para
determinar su ideología, imaginemos que nuestro universo es de 1776 organizaciones con
directores de recursos humanos, usando STATS el tamaño de la muestra para representar a
la población seria de n = 298 directivos. Pero debemos estratificar este n con la finalidad de
que los elementos muestrales posean determinado tributo.

La estratificación aumenta la precisión de la muestra e implica el uso deliberado de

diferentes tamaños de muestra para cada estrato, a fin de lograr reducir la varianza de cada
unidad de la media muestral (Kalton y Heeringa, 2003), afirman que “En un número
determinado de elementos muestrales n = ∑ nh, la varianza de la media muestral ȳ puede
reducirse al mínimo, si el tamaño de la muestra para cada estrato es proporcional a la

n
desviación estándar dentro del estrato”.Esto es: ∑ fh= N =ksh. En donde la muestra n
será igual a la suma de los elementos muestrales nh. Es decir, el tamaño de n y la varianza
deȳ pueden minimizarse, si calculamos “submuestras” proporcionales a la deviación

nh
estándar dentro del estrato. Esto es fh= =ksh. En donde nh y Nh son muestra y
Nh
población de cada estrato, y sh es la desviación estándar de cada elemento en un

nh
determinado estrato. Entonces tenemos que:ksh= .
Nh

Siguiendo con nuestro ejemplo, la población es de 1176 directores de Recursos Humanos y

el tamaño de muestra es de 298. ¿Que muestra necesitamos para cada estrato?

nh 298
ksh= = =0.2534 .
Nh 1176

De manera que el total se la subpoblación se multiplicara por esta fracción constante para
obtener el tamaño de la muestra para el estrato.

Muestras no probabilísticas: La elección de los elementos no depende de la probabilidad,

sino de causas relacionadas con las características de la investigación o los propósitos del
investigador. El procedimiento no es mecánico ni por medio de fórmulas, sino que depende
del proceso de toma de decisiones de un investigador o de un grupo de investigadores y
desde luego, las muestras seleccionadas obedecen a otros criterios de investigación.

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.

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 es 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.

Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los
anteriores ya que simplifican los procesos y suelen reducir el error muestra 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,...).

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 muestra 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 ocasiones 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 número de
conglomerados (el necesario para alcanzar el tamaño muestra establecido) y en investigar
después todos los elementos pertenecientes a los conglomerados elegidos.

Referencias
 Sampieri, R. H. (2014). Metodología de la Investigación. In M. d. P. B. Carlos
Fernández (Ed.), (Mc Graw Hill ed.).
 http://www.estadistica.mat.uson.mx/Material/elmuestreo.pdf