METODOLOGÍA DE LA INVESTIGACIÓN

4
UNIDAD

EL MUESTREO

OBJETIVO DE LA UNIDAD
Se espera que al término de la unidad el estudiante se capaz de:
 Describir y aplicar procedimientos de muestreos en distintas
condiciones de universos de colecta de información de interés.
 TEMA 4. EL MUESTREO

1. La muestra
La muestra, es un conjunto de unidades, una porción del total de la población, que representa la conducta del universo en su
conjunto. Una muestra, no es más que eso, una parte del todo que llamamos universo y que sirve para representarlo. En el caso de
que nuestro universo esté compuesto por un número muy alto de unidades de datos será prácticamente imposible, por razones de
tiempo y de costos, y porque no es imprescindible, examinar cada una de las unidades que lo componen. En vez de realizar esa
fatigosa tarea procederemos a extraer una muestra de ese universo (Figura 1).
La construcción de una muestra, o sea, la operacionalización del universo, consiste en reducir a proporciones factibles de investigar
al conjunto de las unidades que nos interesan, en otras palabras, en la tarea de encontrar una forma de obtener información
relevante sin necesidad de acudir a la medición de todo el universo posible de datos. Es el aspecto cuantitativo de la
operacionalización y, para resolverlo, habrá de apelarse entre otras disciplinas a la estadística, mediante las técnicas de muestreo.

1.1. Definición
Muestra es, en esencia, un subgrupo de la población (del universo). Digamos que es un subconjunto de elementos que pertenecen
a ese conjunto definido por características al que llamamos Población. En realidad, pocas veces podemos medir a toda la población,
por lo que obtenemos o seleccionamos una muestra, la cual se pretende que este subconjunto sea un reflejo fiel del conjunto de la
población.
La muestra, es un conjunto de unidades o fuentes de datos que es preciso reducir (de la población) a proporciones manejables para
poderlo explorar, para poder efectuar sobre las variables las mediciones correspondientes.

Población
Muestra
Elementos o unidades
de análisis
Figura 1. Representación esquemática de una muestra como subgrupo

1.2. Condiciones
Dos son las condiciones básicas de deben reunir las muestras:
1) Muestras representativas del universo.- No todas las muestras resultan útiles para llevar a cabo un trabajo de
investigación. Lo que se busca al emplear una muestra es que, observando una porción relativamente reducida de unidades,
se obtengan conclusiones semejantes a las que lograríamos si estudiáramos el universo total. Cuando una muestra cumple
con esta condición, es decir, cuando nos refleja en sus unidades lo que ocurre en el universo, la llamamos muestra
representativa. Sus conclusiones son susceptibles de ser generalizadas al conjunto del universo, aunque para ello debamos
añadir un cierto margen de error en nuestras proyecciones.
2) Muestras no-representativas del universo.- Casi todas las muestras que se utilizan en las investigaciones son muestras
representativas, no obstante que, en algunos casos, se empleen muestras no-representativas. Ello ocurre cuando no se
pretende hacer un trabajo muy preciso, cuando se buscan conocer apenas algunos indicios generales de un problema o
cuando el tiempo impide otra forma de trabajo más rigurosa. De ninguna manera es lícito, sin embargo, proyectar estos
conocimientos de tipo sumario hacia el universo, siempre que se tomen como aproximaciones previas para estudios más
profundos.

1.3. El tamaño de la muestra

La elección de la muestra probabilística y no probabilística se determina con base en el planteamiento del problema, el diseño de la
investigación y sus contribuciones. Las muestras probabilísticas son esenciales donde se pretende hacer estimaciones de
variables en la población, donde los elementos muestrales tendrán valores muy parecidos a los de la población, de manera que las

INV-150 Metodología de la Investigación | 21

F
 C
U
mediciones en la muestra nos darán estimados precisos de la población. La precisión de la medición depende del error en el
muestreo, que es posible calcular (Ver Figura 2).
Población L
Muestra
T
La generalización de las
características o valores
de la muestra depende
A
D
del error de muestreo

Figura 2. Esquema de la generalización de la muestra a la población.

I
2. El muestreo
N
T
El muestreo es la técnica a través de la cual se estudia la muestra. Como resultado de la aplicación de la técnica de muestreo, el
investigador obtiene un estadígrafo, una cifra lograda por estimación, cálculo o aproximación al número real de los elementos de la

E
población. Por eso se dice que el muestreo es una técnica que permite conocer los parámetros de la población a través de los
estadígrafos de la muestra. Esto quiere decir que la muestra, al ser considerada un sub conjunto de la población tiene que ser,
necesariamente, representativa de la población para poder generalizar los datos que se obtengan al estudiar la muestra.

G
La técnica del muestreo se usa cuando la población es relativamente grande y no se puede censar a todos los sujetos y hallar
parámetros. Por el contrario, si la población de estudio es pequeña, no será necesario emplear la técnica del muestreo y será

R
preferible disponer de datos censales o parámetros. Así, cuando la población es relativamente pequeña, la muestra tenderá a ser
más grande. Y, por el contrario, si la población es demasiado grande, la muestra tenderá a ser relativamente pequeña.

A
Lo que se busca al emplear una muestra es que, observando una porción relativamente reducida de unidades, se obtengan
conclusiones semejantes a las que lograríamos si estudiáramos el universo total. La técnica de muestreo permite generalizar los
datos obtenidos para todos los elementos de la población. Esta es la manera inferencial que hace posible la generalización del
conocimiento y, por consiguiente, el avance de la ciencia.
L
2.1. Definiciones y conceptos básicos
Para hacer una muestra probabilística es necesario entender los siguientes términos y sus definiciones:
D
▫ La Población, a la que se le suele denominar como N, es un conjunto de elementos.
▫ La muestra, a la que se suele simbolizar como n, es un subconjunto de la población N.
E
L
▫ En una población N (previamente delimitada por los objetivos de la investigación), nos interesa establecer valores de las
características de los elementos de N.
▫ Nos interesa conocer valores promedios de la población N, lo cual se expresa como: Ῡ = al valor de una variables
determinada (Y) que nos interesa conocer, digamos un promedio.
N
▫ También no interesa conocer: V = la varianza de la población con respecto a determinadas variables (la varianza indica la
variabilidad).
O
▫ Cuando los valores de la población N se desconocen, seleccionamos una muestra n además, a través de estimados de la
muestra, inferimos valores de la población (ȳ será la estimación del valor de Ῡ , el cual desconocemos).

R
▫ En la muestra, ȳ es un estimado promedio que podemos determinar. Sabemos que en nuestra estimación habrá una
diferencia (Ῡ – ȳ), es decir, un error, el cual dependerá del número de elementos muestreados. A dicho error se le conoce
como error estándar (se).
▫ se = la desviación estándar de la distribución muestral y representa la fluctuación de ȳ.
T
▫ (se)2 = el error estándar al cuadrado, cuya fórmula nos servirá para calcular la varianza (V) de la población (N), así como la
varianza de la muestra (n) será la expresión s2.
▫ s2 = varianza de la muestra, la cual podrá determinarse en términos de probabilidad donde s2 = p(1 – p).
E
▫ p = porcentaje estimado de la muestra, probabilidad de ocurrencia del fenómeno, la cual se estima sobre marcos de
muestreo previos o se define la certeza total siempre es igual a uno (1), las probabilidades a partir de esto son “p” de
que sí ocurra y “q” de que no ocurra (p + q = 1). De ahí se deriva 1 – p.
▫ Como se habrá podido observar, cuando hablamos de un término de la muestra se simboliza con una letra minúscula ( n, s,
se). Si se trata de un término de la población, se simboliza con una letra mayúscula (N, S).
Determinar el tamaño de la muestra probabilística, se realiza mediante cálculos matemáticos. Primero uno debe preguntarse: Dado
que una población es N, ¿cuál es el menor número de unidades muestrales (personas, organizaciones, etc) que necesito para
conformar una muestra (n) que me asegure un determinado nivel de error estándar, digamos menor del 1% (0.01)?.
La respuesta busca encontrar la probabilidad de ocurrencia de Ῡ, así como que mi estimado de ȳ se acerque a Ῡ , el valor real de la
población. Si establecemos el error estándar y lo fijamos en 0.01, sugerimos que esta fluctuación promedio de nuestro estimado ȳ
con respecto a los valores reales de Ῡ no sea > 0.01, es decir, que de 100 casos, 99 veces mi predicción sea correcta y que el valor
de ȳ se sitúe en un intervalo de confianza que comprenda el valor de Ῡ .

INV-150 Metodología de la Investigación | 22

F
 C
U
Resumiendo, para una determinada varianza (V) de Y, ¿qué tan grande deber ser mi muestra?. Ello se determina en dos pasos:

1) n=
' s2
V2
= Tamaño provisional de la muestra = varianza de la muestra / varianza de la población L
n=
n
'

'
T
2) n = Tamaño de la muestra
1+
N A
2.2. Etapas del muestreo D
El proceso de muestreo implica el desarrollo de varias etapas.
1)
2)
I
Determinación de la población.- consiste en determinar la cantidad de población que será sometida a investigación.
Diseño del marco muestral.- consiste en establecer los estratos (conglomerados) y racimos (clusters).
3)
4)
Diseño de la muestra.- consiste en seleccionar el tipo de muestra probabilística o no-probabilística.
N
Cálculo del tamaño de la muestra.- mediante cálculo matemático, se establece el tamaño de la muestra, total, por estrato

T
y por racimos.
5) Colecta de datos según la muestra.- consiste en realizar la obtención de los cados, en las unidades de muestreo
seleccionadas.
6)
E
Procesamiento de datos.- consiste en ordenar la información obtenida, haciendo inferencias en toda la población.

G
R
A
Figura 3. Esquema de etapas del muestreo.
L
2.3. Tipos de muestreo
D
E
Una primera división que suele hacerse entre las muestras consiste en separarlas en muestras probabilísticas y no pro- babilísticas.

L
N
O
R
T
E

2.3.1. Muestreo no probabilístico

Muestras no-probabilísticas.- En las muestras no probabilísticas ocurre lo contrario y el investigador procede en cierta forma a
ciegas, pues no tiene una idea del error que puede estar introduciendo en sus apreciaciones. Las muestras no probabilísticas más
utilizadas son las llamadas accidentales, por cuotas o intencionales.
1) Muestra accidental.- Una muestra accidental es aquella que se obtiene sin ningún plan preconcebido, resultando las
unidades escogidas producto de circunstancias fortuitas. Si, por ejemplo, entrevistamos a los primeros cincuenta
transeúntes que pasan por una cierta calle o medimos la profundidad del mar a lo largo de un trayecto entre dos puntos

INV-150 Metodología de la Investigación | 23

F
 C
U
cualesquiera, estaremos en presencia de una muestra accidental. Los datos obtenidos podrán o no representar al universo
en estudio, porque corresponderán a circunstancias peculiares del lugar y momento en que se tomó la muestra. El

L
investigador no puede saber, entonces, hasta qué punto sus resultados podrán proyectarse, con confiabilidad, hacia el
conjunto más amplio que desea conocer.
2) Muestra por cuotas.- Una muestra por cuotas consiste en predeterminar la cantidad de elementos de cada categoría que
T
habrán de integrarla. Así podemos asignar una cuota de 50 hombres y 50 mujeres a una muestra de 100 individuos,
asumiendo que esa es la distribución de la población total. Por más que esa presunción llegue a ser válida no deja de

3)
reduce considerablemente. A
existir cierta arbitrariedad en este modo de proceder, por lo que la rigurosidad estadística de las muestras por cuotas se

Muestra intencional.- Una muestra intencional escoge sus unidades no en forma fortuita sino completamente arbitraria,

D
designando a cada unidad según características que para el investigador resulten de relevancia. Estas muestras son muy
útiles y se emplean frecuentemente en los estudios de caso, por más que la posibilidad de generalizar conclusiones, a
partir de ellas, sea en rigor nula.
4)
I
Muestra por conveniencia.- El investigador escoge los individuos para establece su muestra, según su comodidad,
facilidad de acceso, economía, u otro. Ejm. Muestra por conveniencia de 5 individuos (n=5) que habitan en la misma calle

5)
seleccionados en forma arbitraria.
N
Muestra por bola de nieve.- El investigador de inicio selecciona a un 1er grupo de individuos, luego de colectar la
información solicita a cada informante citar a un nuevo informante, conformando así un nuevo grupo de informantes. Así se

T
repite la cadena de informantes hasta completar la muestra requerida. Ejm. Muestra por bola de nieve de 5 individuos
iniciales (grupo 1), quienes c/u elige a 1 nuevo informante (grupo 2) y luego c/u elige a 1 nuevo informante (grupo 3),
totalizando 15 informantes (n=15).
E
G
R
A
L
D
E
L
N
O
2.3.2. Muestreo probabilístico R
El Muestreo probabilístico, también llamado “muestreo aleatorio”, su característica fundamental es que todo elemento de la
T
población tiene una determinada probabilidad de integrar la muestra, y que esa probabilidad puede ser calculada matemáticamente
con precisión. Para la realización de un estudio de mercado, se recomienda recurrir a cualquiera de los siguientes cinco

E
procedimientos de muestreo probabilístico, según las necesidades de información del estudio.

INV-150 Metodología de la Investigación | 24

F
 C
U
1) Muestra probabilística simple.- se sortean al

L
azar el total de unidades que deseamos que
entren en la muestra
2) Muestra probabilística con población
desconocida o infinita.- estudia
T
características del universo con una muestra
obtenida de una población desconocida.

Muestras
3) Muestra probabilística con población
A
conocida o finita.- estudia características del

probabilísticas.
(“aleatorio”). todo
elemento del universo
tiene una determinada
probabilidad matemática
de integrar la muestra,
D
universo con una muestra obtenida de una
población conocida o finita.
4) Muestra probabilística estratificada
(conglomerados).- Subgrupo en el que la
población se divide en segmentos y se I
selecciona una muestra por cada segmento.
4) Muestra probabilística estratificada
(conglomerados) y por racimos
N
(Clusters).- estudia subdivisiones con
T
características similares a las del universo total.

3. Cálculo del tamaño de la muestra E

G
El Muestreo probabilístico, también llamado “muestreo aleatorio” en el que todo elemento de la población tiene una determinada
probabilidad de integrar la muestra, y que esa probabilidad puede ser calculada matemáticamente con precisión. Para tanto, el
cálculo del tamaño de la muestra (n) dependerá de las características de la población (N) en estudio y del nivel de profundidad y

R
precisión requerida de la información a recolectar. En este sentido, en el grupo de las muestras probabilísticas (obtenidas mediante
cálculo), es posible realizar el cálculo del tamaño de la muestra mediante 5 procedimientos alternativos:
1)
2)
3)
Muestra probabilística simple
Muestra probabilística con población desconocida o infinita,
Muestra probabilística con población conocida o finita)
A
4)
5)
Muestra probabilística estratificada
Muestra probabilística estratificada y por racimos (en población conocida o finita). L
1) Muestra probabilística simple D
Se sortean al azar el total de unidades que deseamos que entren en la muestra
Ejemplo:
E
L
Muestra (n) manejable para la investigación
N
son 100 individuos seleccionados al azar de
entre la población (N) de 4500 individuos.

n = 100 individuos
O
Población
Muestra
R
T
E

INV-150 Metodología de la Investigación | 25

F
 C
2) Muestra probabilística con población desconocida o infinita. U
Obtener el tamaño muestral (n) cuando la Población (N) es desconocida y de tamaño infinito (∞):
L∞ N=

La muestra (n) cuando la Población (N) es desconocida ó >30000 individuos, se calcula mediante la siguiente fórmula:

n =
2
Z σ 2
n =
Z pq 2 T
e 2
e 2
A
donde:

D
Si se conoce la varianza A través de proporciones de la población

n = muestra
I
Z CONFIANZA

2 2,57 99%
Z = Confianza de la distribución normal (95% = 1,96 unidades). 2,29 98%
e: error máximo (máximo 5% = 0,05).
2
σ : varianza poblacional. Si se desconoce, se recurre a “p” y “q”. N 2,17
2,05
1,96
97%
96%
95%
p= proporción de la población que posee (éxito) las características de interés
para la investigación. Si no se conoce la proporción es 50% (0,5). T 1,88
1,81
94%
93%
q = proporción de la población que no posee (fracaso) las características de
E
1,75 92%
interés. Si no se conoce la proporción es 50% (0,5). 1,79 91%
1,64 90%

Reemplazando en la fórmula para población infinita, se tiene:

G
Z pq 2
(1,96) 0,5 0,5 2
x x
R
n = n = n = 384 individuos, encuestas
e 2
(0,05) 2
A
L
3) Muestra probabilística con población conocida o finita.
D
La muestra (n) cuando la Población (N) es conocida y <30000 individuos, se calcula mediante la siguiente fórmula:

n =
Z Npq 2
donde:
E
L
2 2
(N-1) e + Z p q
n = muestra
2
N
Z = nivel de confianza elegido a 95 % al que le corresponde un valor de 1,96 de unidades de desviación
estándar (a 90% de confianza la corresponde 1,65 unidades de desviación estándar).
e: error máximo (máximo 5% = 0,05).
2
σ : varianza poblacional. Si se desconoce, se recurre a “p” y “q”.
O
R
p= proporción de la población que posee (éxito) las características de interés para la investigación. Si no se
conoce la proporción es 50% (0,5).

T
q = proporción de la población que no posee (fracaso) las características de interés. Si no se conoce la
proporción es 50% (0,5).
N = Población conocida (Ejemplo: Población de la FINOR = 4124 estudiantes).
E el tamaño
Ejemplo: La población estudiantil de la FINOR inscritos en el semestre I/2011 son 4124 estudiantes. Calcular
de muestra para realizar unas encuestas, con un nivel de confiabilidad de 95% y un error de 5%.
Remplazando en la fórmula para población finita, se tiene:

Z2 N p q (1,96)2 x 4124 x 0,5 x 0,5

n = n = n = 352 individuos, encuestas
(N-1) e2 + Z2 p q (4124-1) x (0,05) 2 + (1,96) 2
x 0,5 x 0,5

INV-150 Metodología de la Investigación | 26

F
 C
4) Muestra probabilística estratificada U
Esta técnica tiene utilidad cuando la Población (N)
que se requiere estudiar admite su subdivisión en Estrato 1
L
Sub-muestra 1

poblaciones menores (Estratos) en función de

características similares que caracterizan y Estrato 2
T
Sub-muestra 2
diferencian a cada estrato. Cuando es posible
asumir tal cosa, se procede a subdividir la Estrato 3
A
Sub-muestra 3
Población (N) en un número finito de Estratos,
realizando el cálculo de sub-nuestra para cada Estrato 4 D
Sub-muestra 4
estrato. La Muestra (n) total, será la sumatoria de
todas las sub-muestras.
Población
IMuestra

Supóngase el siguiente ejemplo: N

Paso 1: Datos.
N = tamaño de la población de 4124 estudiantes de la Facultad.
T
ȳ = Valor promedio de una variable = 1 Estudiante por carrera.
se = error estándar = 0,035 = (3,5%) determinado por nosotros (el investigador). E
G
p = 0,85 = (85%) determinado por nosotros (el investigador).
s = varianza de la muestra expresada como la probabilidad de ocurrencia de ȳ = ?
2

V = varianza de la población al cuadrado. Su definición se : Cuadrado del error estándar. = ?

2 2

n’ = tamaño de la muestra sin ajustar = ?

n = tamaño de la muestra = ?
R
Paso 2: Cálculo del tamaño de la “muestra aleatoria simple”:
A
Sustituyendo tenemos:
2
L
s 2
s = p(1 – p) 0,85(1- 0,85) 0,1275
D
'
n= 2 donde 2
V = se2 2
(0,035) 0.0001225 n’ = 104 Individuos
V

'
E
n
n=
1+
n
'¿
104
1+(104 /4124)
= n = 102 individuos “muestra aleatoria simple” L
N
Es decir, para nuestra investigación necesitaremos una muestra de 102 estudiantes.
N
Paso 3: Cálculo del tamaño de la “muestra probabilística estratificada”: O
Se busca la fracción constante ( fh) de la muestra (nh) y la población (Nh).
R
n nh n 102
4124 T
Σ fh= =ksh esto es: fh= entonces: fh= sustituyendo: fh= =0.2462
N Nh N

de la muestra para el estrato. x

Sustituyendo tenemos que:
E
De manera que el total de la subpoblación se multiplica por esta fracción constante para obtener el tamaño
n = N fh

INV-150 Metodología de la Investigación | 27

F
 C
ESTRATOS
(Carreras)
POBLACION
FRACCION PROCEDIMIENTO
CONSTANTE DE CALCULO
n= N fh x U MUESTRA

1) Ingeniería comercial
2) Contaduría pública
750
630
fh =n/N n = 750 x 0,02462
n = 630 x 0,02462
L 18
16
3) Agronomía
4) Veterinaria
450
390
n = 450 x 0,02462
n = 390 x 0,02462 T 11
10

A
5) Medicina 150 n = 150 x 0,02462 4
0,02462
6) Enfermería 560 n = 560 x 0,02462 14
7) Derecho 690 n = 690 x 0,02462 17
8) Ingeniería industrial
9) Ingeniería petrolera
294
210
n = 294 x 0,02462
n = 210 x 0,02462
D 7
5
TOTAL N = 4124
I n = 102

5) Muestra probabilística por estratos (conglomerados) y racimos (clúster)

Esta técnica tiene utilidad cuando la Población (N) Racimo 1
N Racimo 2
que se requiere estudiar admite su subdivisión en
poblaciones menores (Estratos), y éstos a su vez Estrato 1
T
en Racimos en función de características
similares que caracterizan y diferencian a cada
Estrato 2
E
estrato. Cuando es posible asumir tal cosa, se
procede a subdividir la Población (N) en un G
número finito de Estratos y éstos a su vez en Estrato 3
Racimos, realizando el cálculo de sub-nuestra
para cada Racimo. La Muestra (n) total, será la Estrato 4
R
sumatoria de todas las sub-muestras. Población
A Muestra

Supóngase el siguiente ejemplo: L

D (Racimos)
Paso 1: Datos.
N = tamaño de la población de 4124 estudiantes de la Facultad, siendo el 75% varones y el 25% damas
ȳ = Valor promedio de una variable = 1 Estudiante por carrera.
se = error estándar = 0,035 = (3,5%) determinado por nosotros (el investigador).
p = 0,85 = (85%) determinado por nosotros (el investigador).
E
s = varianza de la muestra expresada como la probabilidad de ocurrencia de ȳ = ?
2

V = varianza de la población al cuadrado. Su definición se : Cuadrado del error estándar. = ?

2 2 L
n’ = tamaño de la muestra sin ajustar = ?
n = tamaño de la muestra = ? N
Paso 2: Cálculo del tamaño de la “muestra aleatoria simple”: O
R
Sustituyendo tenemos:
2
' s 2
s = p(1 – p) 0,85(1- 0,85) 0,1275
n= donde V = se
T
n’ = 104 Individuos
2 2
2 (0,035) 2
0.0001225
V

n
' E
n= 104
n
' ¿ = n = 102 individuos “muestra aleatoria simple”
1+ 1+(104 /4124)
N
Es decir, para nuestra investigación necesitaremos una muestra de 102 estudiantes.

Paso 3: Cálculo del tamaño de la “muestra probabilística estratificada”:

Se busca la fracción constante ( fh) de la muestra (nh) y la población (Nh).
n nh n 102
Σ fh= =ksh esto es: fh= entonces: fh= sustituyendo: fh= =0.2462
N Nh N 4124

INV-150 Metodología de la Investigación | 28

F
 C
U constante
De manera que el total de la subpoblación del Estrato y Racimo se multiplica por esta fracción
n = N fh
L
para obtener el tamaño de la Muestra (n). Sustituyendo tenemos que:
x
POBLACION MUESTRA

T
ESTRATOS RACIMO (Género) FRACCION RACIMO (Género)
POBLACION MUESTRA
(Carreras) MASCULINO (75%) FEMENINO (25%) CONSTANTE MASCULINO FEMENINO
1) Ingeniería comercial 563 188 750 fh =n/N 13 5 18
2) Contaduría pública
3) Agronomía
473
338
158
113
630
450 A 12
8
4
3
16
11

D
4) Veterinaria 293 98 390 7 3 10
5) Medicina 113 38 150 3 1 4
0,02462
6) Enfermería 420 140 560 10 4 14
7) Derecho
8) Ingeniería industrial
518
221
173
74
690
294 I 13
5
4
2
17
7

N
9) Ingeniería petrolera 158 53 210 4 1 5
TOTAL 3093 1031 N = 4124 75 27 n = 102

T
4. Ventajas del muestreo
E
Realizar la colecta de datos en muestras representativas de la población, implica las siguientes ventajas:



G
Significa ahorro económico y en tiempo pues se trabaja con un subconjunto que es reflejo fiel de la población total.
La muestra, operacionaliza la población, la reduce al subconjunto de unidades que nos interesan.
La muestra es un subconjunto de proporciones manejables para poderlo explorar y efectuar las mediciones.
 Sus conclusiones son susceptibles de ser generalizadas al conjunto del universo.
R
••••••••Θ•••••••• A
L
D
E
L
N
O
R
T
E

INV-150 Metodología de la Investigación | 29

F