BOLILLA 8: MUESTREO Y DISTRIBUCIONES EN EL MUESTREO

Muestreo. Razones para el muestreo. Conceptos básicos y base teórica del muestreo. Tipos de muestreo.
Muestreo aleatorio simple. Muestreo estratificado. Muestreo por conglomerados. Muestreo sistemático.
Técnicas de muestreo. Uso de tablas de números aleatorios.

Se llama muestreo al procedimiento mediante el cual se obtiene una o más muestras. 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 error que se comete debido al hecho de que se obtienen conclusiones sobre cierta realidad a partir de la
observación de sólo una parte de ella, se denomina error de muestreo.
Una muestra será representativa de la población si reproduce las características de interés que existen en
la misma de la manera más cercana posible, significa lograr una versión simplificada de la población, que
reproduzca de algún modo sus rasgos básicos. Una buena muestra refleja las similitudes y diferencias de la
población, ejemplificando las características de la misma.

El muestreo es probabilístico cuando se puede calcular de antemano cual es la probabilidad de obtener

cada una de las muestras que sea posible seleccionar. Es importante destacar que la aleatoriedad no es una
característica que corresponda a una muestra dada, sino al proceso de muestreo que sirvió para obtenerla.
Existen otros dos tipos de muestreo que pueden denominarse subjetivo y sin norma, No son
probabilísticos. En el primero, es la persona que selecciona la muestra la que procura que ésta sea
representativa; como consecuencia, esa representatividad depende de la opinión del experimentador, es
subjetiva. Es evidente que la muestra está afectada por preferencias o tendencias. En el muestreo sin norma,
se toma la muestra de cualquier manera, obteniéndose así una parte de la población. Si ésta es homogénea,
la representatividad de la muestra puede ser satisfactoria, pero si no lo es, puede no ser representativa.

La Población es la colección completa o universo de las observaciones que deseamos estudiar. La

definición de la población es una parte importante y con frecuencia difícil del estudio. Si estudiamos toda la
población, se realiza un censo.

Razones para el muestreo

Será conveniente tomar muestras en las siguientes situaciones:
a) Cuando la población sea infinita o muy grande, de tal manera que sería imposible realizar un censo;
b) Cuando la población sea suficientemente uniforme, de tal forma que cualquier muestra da una buena
representatividad de la misma y no se haga necesario examinar toda la población;
c) Cuando el proceso de medida o investigación de las características de cada unidad elemental sea
destructivo, como por ejemplo, para estudiar cierta característica de unas plantas se deba arrancarla.

Hay otras causas, además de las mencionadas, que pueden hacer ventajoso el muestreo, como por ejemplo:
 Económico: es evidente que si, en vez de examinar todos los elementos, sólo se examinan unos cuantos,
el costo será mucho menor.
 Calidad: se puede cuidar más la precisión en la observación de cada unidad elemental usando muestras,
porque hay menos elementos para evaluar.

TIPOS DE MUESTREO PROBABILÍSTICO

Forman parte de este tipo de muestreo todos aquellos métodos para los que puede calcularse la probabilidad
de extracción de cualquiera de las unidades elementales. Este conjunto de técnicas de muestreo es el más
aconsejable, aunque en ocasiones no es posible optar por él.
Dentro del muestreo probabilístico podemos distinguir entre los siguientes tipos de muestreo:
Muestreo aleatorio simple con y sin reposición. Muestreo estratificado. Muestreo sistemático. Muestreo por
conglomerados.
MUESTREO ALEATORIO SIMPLE

Revisaremos la primera de las técnicas de muestreo probabilístico: el muestreo aleatorio simple

(M.A.S.). Esta técnica es una de las más populares y sirve de referencia a todas las demás aunque en la
práctica difícilmente puede utilizarse.

Definición

El muestreo aleatorio simple (M.A.S.) es la técnica de muestreo en la que todos los elementos que
forman el universo y que, por lo tanto, están descriptos  en el marco muestral, tienen idéntica probabilidad
de ser seleccionados para la muestra
La selección de la muestra puede realizarse a través de cualquier mecanismo probabilístico en el que
todos los elementos tengan las mismas opciones de salir. Por ejemplo uno de estos mecanismos es utilizar
una tabla de números aleatorios, o también con un ordenador generar números aleatorios, comprendidos
entre cero y uno, y multiplicarlos por el tamaño de la población; o un sorteo, donde a cada unidad elemental
se le asigna un número y luego se reproducen todos esos números en un bolillero o en una urna.
Dependiendo de si los individuos del universo pueden ser seleccionados más de una vez en la muestra,
hablaremos de M.A.S. con reposición o sin reposición. Si usamos reposición, el hecho de que seleccione
un individuo al azar para mi muestra no impediría que este mismo individuo pudiese volver a ser
seleccionado en una siguiente selección. Sería equivalente a decir que cada vez que extraigo un número al
azar de mi urna, vuelvo a colocar el número antes de la siguiente extracción. Si por el contrario no usamos
reposición, un individuo seleccionado para la muestra una vez ya no entraría nuevamente en el sorteo.
La pregunta obvia es, ¿qué es mejor, usar reposición o no usar reposición? Es un simple problema
matemático. César Pérez López, en su libro “Muestreo Estadístico” (Pearson, 2005) desarrolla de forma
muy clara una comparación entre ambas técnicas. Tanto si lo miramos desde el punto de vista de qué
técnica genera estimaciones más precisas como desde el punto de vista de qué técnica me permite tener la
misma precisión con menor tamaño de muestra, se puede concluir que el muestreo aleatorio simple sin
reposición siempre es más eficiente. Si el universo es infinito, ambos métodos coinciden, dado que la
probabilidad de seleccionar al mismo individuo dos veces en la misma muestra tiende a ser infinitamente
pequeña.

Beneficios del muestreo aleatorio simple

El desarrollo de la informática ha permitido que diseñar, una muestra aleatoria simple, sea
extremadamente rápido y fiable. La generación de números aleatorios mediante software – estrictamente
son números pseudo-aleatorios – es cada vez más fiable.
De esta forma, al usar M.A.S. nos aseguramos la obtención de muestras representativas, de manera que la
única fuente de error que va a afectar a mis resultados va a ser el azar.  Y lo que es más importante, este
error debido al azar puede calcularse de forma precisa (o al menos acotarse).

Inconvenientes del muestreo aleatorio simple

El único inconveniente del M.A.S. es la dificultad de llevarlo a la práctica en investigaciones reales.

Recordemos: al ser una técnica probabilística, necesito un marco muestral con todos los individuos y que
todos ellos sean seleccionables para mi muestra. Un requisito que difícilmente puede cumplirse en la
mayoría de los estudios de mercado, investigaciones biológicas, etc., lo que nos obligará a emplear otras
técnicas.
Veremos otra técnica de muestreo probabilístico muy popular: el muestreo estratificado

MUESTREO ESTRATIFICADO

Es frecuente que cuando se realiza un estudio, interese estudiar una serie de subpoblaciones (estratos)
en la población, siendo importante que en la muestra haya representación de todos y cada uno de los
estratos considerados. El muestreo aleatorio simple no nos garantiza que tal cosa ocurra. Para evitar esto, se
saca una muestra de cada uno de los estratos, esto se llama muestreo estratificado.
 Esta técnica, perteneciente a la familia de muestreos probabilísticos, consiste en dividir toda la
población objeto de estudio en diferentes subgrupos, estratos o clases que se suponen homogéneos respecto
a la variable a estudiar dentro de cada clase o estrato y heterogéneos entre ellos. Esos subgrupos, clases o
estratos son disjuntos, de manera que un individuo sólo puede pertenecer a uno de ellos. Una vez definidos
los estratos, para crear la muestra se seleccionan individuos empleando cualquier técnica de muestreo a
cada uno de los estratos por separado. Si por ejemplo empleamos muestreo aleatorio simple en cada estrato,
hablaremos de muestreo aleatorio estratificado (M.A.E. en adelante). Del mismo modo, podríamos usar
otras técnicas de muestreo en cada estrato (muestreo sistemático, aleatorio con reposición, etc.).
Por ejemplo, si en un estudio esperamos encontrar un comportamiento muy diferente entre hombres y
mujeres, puede ser conveniente definir dos estratos, uno por cada sexo. Si la selección de estos estratos es
correcta:
(1) los hombres deberían comportarse de forma parecida entre ellos,
(2) las mujeres deberían comportarse de forma muy similar entre ellas y
(3) hombres y mujeres deberían mostrar comportamientos dispares entre sí.
Si la anterior condición se cumple (estratos homogéneos internamente, heterogéneos entre sí) el uso del
muestreo aleatorio estratificado reduce el error muestral, mejorando la precisión de nuestros resultados al
realizar un estudio sobre la muestra.
Es relativamente habitual definir estratos de acuerdo a algunas variables características de la población
como son la edad, sexo, clase social o región geográfica. Estas variables permiten dividir fácilmente la
muestra en grupos mutuamente excluyentes y con bastante frecuencia, permiten discriminar
comportamientos diferentes dentro de la población.

Tipos de muestreo estratificado

Dependiendo del tamaño que asignamos a los estratos, hablaremos de diferentes tipos de muestreo
estratificado. También se acostumbra hablar de diferentes formas de “afijación” de la muestra en estratos.

Afijación: Reparto del tamaño de la muestra en los diferentes estratos o subpoblaciones. Existen varios
criterios de afijación entre los que destacamos:

1. Afijación proporcional: Cada estrato tiene un número de elementos en la muestra proporcional a su

tamaño
2.. Afijación uniforme: Todos los estratos tienen el mismo número de elementos en la muestra.
3. Afijación óptima: Cuando el reparto del tamaño de la muestra se hace de forma proporcional al valor de
la dispersión de la variable en estudio en cada uno de los estratos.

1. Muestreo estratificado proporcionado

Cuando seleccionamos una característica de los individuos para definir los estratos, suele ocurrir que el
tamaño de las subpoblaciones resultantes en el universo son diferentes. Por ejemplo, queremos estudiar el
porcentaje de la población que fuma en México y pensamos que la edad puede ser un buen criterio para
estratificar (es decir, pensamos que existen diferencias importantes en el hábito de fumar dependiendo de la
edad). Definimos 3 estratos: menores de 20 años, de 20 a 44 años y mayores de 44 años. Es de esperar que
al dividir toda la población mexicana en estos 3 estratos no resulten grupos de igual tamaño. Efectivamente,
si miramos datos oficiales, obtenemos:

* Estrato 1 – Población Mexicana menor de 20 años: 42,4 millones (41,0%)

* Estrato 2 – Población Mexicana de 20 a 44 años: 37,6 millones (36,3%)
* Estrato 3 – Población Mexicana mayor de 44 años: 23,5 millones (22,7%)

Si usamos muestreo estratificado proporcionado, la muestra deberá tener estratos que guarden las
mismas proporciones observadas en la población. Si en este ejemplo queremos crear una muestra de 1.000
individuos, los estratos tendrán que tener un tamaño como sigue, obteniéndolo con cada % de los 1000:
 Estrato Población Proporción Muestra (1000)
1 42,4M 41,0% 410
2 37,6M 36,3% 363
3 23,5M 22,7% 227

La muestra final (1000) estará compuesta por la suma, donde de cada estrato se sacará el número de
unidades elementales indicadas, por ejemplo del estrato 1, se sacará 410 unidades elementales, del estrato
2, se sacará 363 unidades elementales y del estrato 3 se sacará 227 unidades.

2. Muestreo estratificado uniforme
Hablaremos de una afijación uniforme cuando asignamos el mismo tamaño de muestra a todos los
estratos definidos, sin importar el peso que tienen esos estratos en la población. Siguiendo con el ejemplo
anterior, un muestreo estratificado uniforme definiría la siguiente muestra por estrato así:

Estrato Población Proporción Muestra (1000)

1 42,4M 41,0% 334
2 37,6M 36,3% 333
 
3 23,5M 22,7% 333
 

Esta técnica favorece los estratos que tienen menos peso en la población, equiparándolos en importancia
a los estratos más relevantes. Globalmente, reduce la eficiencia de nuestra muestra (menor precisión en los
resultados), pero como contrapartida permite estudiar características particulares de cada estrato con mayor
precisión. En nuestro ejemplo, si queremos emitir alguna afirmación específica sobre la población del
estrato 3 (mayores de 44 años), podremos hacerlo con menor nivel de error muestral si empleamos una
muestra de 333 unidades que si lo hacemos con una muestra de 227 (como ocurría en el muestreo
estratificado proporcional).

3. Muestreo estratificado óptimo (respecto a la desviación estándar)

En este caso, el tamaño de los estratos en la muestra no guardará proporcionalidad con la población. Por
el contrario, se define el tamaño de los estratos proporcionalmente a la desviación estándar de las variables
objeto de estudio. Es decir, se toman estratos de mayor tamaño en los estratos con mayor variabilidad
interna para representar mejor en el total de la muestra los grupos poblacionales más difíciles de estudiar.

Eficiencia de los diferentes muestreos estratificados

Las preguntas son: ¿cuando conviene emplear la estratificación?, ¿qué tipo de estratificación es más
conveniente?
 El muestreo estratificado proporcional produce siempre menor o igual error muestral que el muestreo
aleatorio simple, es decir, es más preciso. La igualdad se produce cuando las medias o las proporciones que
estamos analizando son iguales en todos los estratos. Por lo tanto, la estratificación produce más beneficio
cuanto más diferentes sean los estratos entre sí.
 El muestreo estratificado óptimo es siempre igual o más preciso que el muestreo estratificado
proporcional. Ambos métodos son igual de precisos cuando las desviaciones típicas dentro de cada estrato
son iguales, en cuyo caso ambos métodos son totalmente equivalentes. Por lo tanto, la estratificación
óptima produce más beneficio cuanto más diferencias existan entre las desviaciones dentro de cada grupo,
situación en la que podremos reducir el tamaño muestral de los grupos más homogéneos en beneficio de los
más heterogéneos. Como contrapartida, es un método más complejo y que requiere tener mucha
información a priori de la muestra que estudiamos, algo que normalmente no tenemos.

MUESTREO ALEATORIO POR CONGLOMERADO

El muestreo por conglomerado es una técnica que aprovecha la existencia de grupos o conglomerados
en la población que representan correctamente el total de la población, en relación a la característica o
variable que queremos medir. Dicho de otro modo, estos grupos contienen toda la variabilidad de la
población. Si esto sucede, podemos seleccionar únicamente algunos de estos conglomerados para realizar el
estudio.
Podemos ver esta técnica desde otro punto de vista. Mientras que en todas las técnicas vistas hasta ahora
las unidades de muestreo coinciden con las unidades a estudiar (individuos), en el muestreo por
conglomerado las unidades de muestreo son grupos de unidades elementales, algo que puede resultar muy
beneficioso en relación al coste del propio muestreo. A cambio, es habitual obtener una menor precisión al
usar esta técnica, causada por falta de heterogeneidad dentro de los conglomerados.
La idea de estrato y conglomerado son, en cierto sentido, opuestas. El primer método funciona mejor
cuanto más homogénea es la población respecto del estrato, aunque más diferentes son estos entre si. En el
segundo, ocurre lo contrario. Los conglomerados deben presentar toda la variabilidad, aunque deben ser
muy parecidos entre si.
En primer lugar, el investigador selecciona aleatoriamente los conglomerados y de cada conglomerado
selecciona a las unidades elementales, ya sea por muestreo aleatorio simple o muestreo aleatorio
sistemático. El investigador también puede optar por incluir a todo el conglomerado, no sólo a un
subconjunto.
Por ejemplo, para estudiar las hormigas se seleccionan hormigueros para formar la muestra, cada
hormiguero es un conglomerado, si queremos analizar los gastos familiares o para controlar el nivel de
audiencia de los programas y cadenas de televisión, se utiliza un muestreo por conglomerados-familias que
han sido elegidas aleatoriamente. Las familias incluyen personas de todas las edades, muy representativas
de las mismas edades y preferencias que la totalidad de la población. Si quiero estudiar un municipio, los
conglomerados pueden ser cada manzana.
El conglomerado más utilizado en la investigación es un conglomerado geográfico. Por ejemplo, un
investigador desea estudiar el rendimiento académico de los estudiantes secundarios en España.
1. Puede dividir a toda la población (población de España) en diferentes conglomerados (ciudades).
2. Luego, el investigador selecciona una serie de conglomerados en función de su investigación, a través
de un muestreo aleatorio simple u otro.
3. Luego, de los conglomerados seleccionados (ciudades seleccionadas al azar) el investigador puede
incluir a todos los estudiantes secundarios como sujetos o seleccionar un número de sujetos de cada
conglomerado a través de un muestreo aleatorio simple o sistemático.
Lo más importante sobre esta técnica de muestreo es dar a todos los conglomerados iguales posibilidades
de ser seleccionado
.
MUESTREO ALEATORIO SISTEMÁTICO (MASi)

El muestreo sistemático es un tipo de muestreo que es aplicable cuando los elementos de la población
sobre la que se realiza el muestreo están ordenados. Este procedimiento de muestreo se basa en tomar
muestras de una manera directa y ordenada a partir de una regla determinística, también llamada
sistemática. Concretamente, a partir de una sola unidad que se selecciona en primer lugar en forma
aleatoria, el resto de unidades de la muestra vienen determinadas automáticamente al aplicarle a dicha
unidad una regla de selección sistemática. Bajo este procedimiento de muestreo, por ejemplo,
seleccionamos: cada vigésimo nombre de una lista, cada décima casa de un lado de una calle, cada quince
piezas de una línea de montaje, etc.
En este capítulo consideramos el diseño muestral sistemático más sencillo llamado muestreo sistemático
uniforme de paso k.
La obtención de una muestra sistemática de tamaño n de una población de N elementos se consigue
siguiendo el siguiente procedimiento:
1. Conseguir un listado ordenado de los N elementos de la población.
2. Determinar el tamaño muestral n.
3. Definir el tamaño del salto sistemático k, dado por k = N/n.
4. Elegir un número aleatorio δ entre 1 y k (δ=arrranque aleatorio, es lo único aleatorio en este muestreo).
Este número permite obtener la primera unidad elemental, que constituirá la muestra.
5. A partir de la posición δ, dando un salto de k unidades, obtendremos la segunda unidad de la muestra y
de esta forma, saltando de k en k unidades, obtenemos el resto de la muestra.

El muestreo aleatorio sistemático (MASi) es una variante del MAS que consiste en seleccionar los
elementos de la población, luego de aplicar un arranque aleatorio, mediante un muestreo aleatorio simple
combinado con una selección a intervalos espaciales o temporales constantes de longitud k. Es un método
que permite obtener rápidamente una muestra aleatoria, sobre todo si la población es numerosa y está
previamente ordenada. Es muy utilizado en los sondeos de opinión y de “puerta a puerta” (encuestas
callejeras u hogareñas), dado que los entrevistadores actúan recabando información cada ‘k’ personas o
cada ‘k’ casas. También tiene mucha aplicación en problemática relacionada con temas territoriales. Es la
elección de una muestra a partir de los elementos de una lista según un orden determinado, o recorriendo la
lista a partir de un número aleatorio determinado
El procedimiento del muestreo aleatorio sistemático es muy fácil y se puede hacer manualmente. Los
resultados son representativos de la población a menos que se repitan ciertas características de la población
por cada késimo individuo, lo que es poco probable.

Por ejemplo, el investigador tiene una población total de 100 individuos y necesita una muestra de 12
sujetos. Siguiendo los pasos arriba mencionados, el tamaño del salto k = N/n =100/12=8. Luego elige
aleatoriamente su número de partida entre 1 y 8, supongamos que fue 5.
Luego, como su intervalo es 8, entonces los miembros de su muestra serán los individuos 5, 13, 21, 29, 37,
45, 53, 61, 69, 77, 85, 93.

Ventajas del muestreo sistemático frente al muestreo aleatorio simple:

• En la práctica, el muestreo sistemático es más fácil de llevar a cabo y está expuesto a menos errores del
encuestador.
• Frecuentemente, con igual tamaño de muestra, el muestreo sistemático proporciona más información que
el muestreo aleatorio simple.

La desventaja en este tipo de muestreo es que se debe tener ordenada la población y la otra desventaja
es que se repitan en forma sistemática ciertos vicios en la población, que afectarían los resultados del
estudio.