1

MUESTREO Y TIPOS DE MUESTREO

Fernando Esteban Acosta González (20211015120)

Juan Esteban Jaramillo Recalde (20211015049)

Alejandra Pesca Barrios (20211015111)

Ingeniería Industrial, Universidad Distrital Francisco José de Caldas

EP_23(LAPF), Estadística y Probabilidad

Luis Alfonso Peña Flórez

10 de junio del 2022

 2

Tabla de contenido

1. Resumen 3

2. Introducción 4

3. Objetivo 4

4. Taller 5

4.1 Muestreo 5

4.2 Muestreo probabilístico 6

4.2.1. Muestreo aleatorio simple (MAS) 6

4.2.2. Muestreo sistemático (MS) 8

4.2.3. Muestreo aleatorio estratificado (MAE) 11

4.2.4 Muestreo por conglomerados o clústeres (MPC) 16

4.3 Muestreo no probabilístico 20

4.3.1 Muestreo por conveniencia 21

4.3.2 Método discrecional o por juicio 22

4.3.3 Muestreo casual o accidental 23

4.3.4 Bola de nieve 25

4.3.5 Muestreo por cuotas 26

5. Conclusiones 28

Bibliografía 30
 3

1. Resumen

Este documento consiste en una investigación acerca del muestreo, un mundo que deriva

de la estadística y del cual se desprenden importantes fundamentos teóricos que aplicados a la

practica cobran aun más relevancia.

El muestreo consiste en el proceso usado para la selección de un grupo de observación

dentro de una población, dentro de este existe una gran variedad de tipos que se presentan en dos

grandes grupos: Probabilísticos y no probabilísticos. Durante el desarrollo investigativo de van

mencionando los tipos de muestreo más conocidos y de forma general se presentan sus

conceptos, la forma para el calculo del tamaño de una muestra optima y un respectivo ejemplo

para una mayor comprensión de los tipos de muestreo investigados.

 4

2. Introducción

En el presente documento se pretende definir lo que es el muestreo, una de las bases para

cualquier estudio estadístico, describir su importancia y presentar los tipos de muestreo, cada uno

con sus definiciones y respectivos ejemplos. Así mismo veremos los pasos a seguir para

determinar el número de elementos que necesitamos para una muestra correcta en cada tipo de

muestreo.

3. Objetivo

Establecer el concepto de muestreo, tipos de muestre y relacionados a estos para lograr

determinar su importancia y métodos a seguir de acuerdo a las situaciones que se presenten en la

actividad de realizar un estudio estadístico.

 5

4. Taller

4.1 Muestreo

Damon inicio al presente trabajo con la definición técnica del muestreo: “El muestreo es

el proceso mediante el cual se selecciona un grupo de observaciones que pertenecen a una

población. Esto, con el fin de realizar un estudio estadístico” (Westreicher, 2021).

El muestreo consiste en la selección metodológica de ciertos elementos o individuos

representativos de una población para lograr la aplicación de técnicas estadísticas que nos

ayuden al estudio de dicha población y posteriormente a la toma de decisiones.

Para el estudio de una población por medio del muestreo, se deben tener en cuenta ciertos

factores como el nivel de confianza, un margen de error y especialmente el número de elemento

a estudiar (Muestra) que nos represente cierto grado de representatividad con respecto a alguna

característica especial.

La importancia del muestreo radica en lo que se puede obtener de este si es bien realizado

ya que no es factible económicamente y materialmente hablando el estudio de una población que

puede llegar a ser finita o infinita. Para que estos beneficios se mantengan se debe tener muy en

cuenta lo que es la representatividad de la muestra; con esta nos referimos a que indicadores

como la media, mediana y moda sean cercanas o muy similares a los de la población.

El muestreo es una ciencia estadística que requiere de habilidad por parte del investigador

para el diseño de la muestra: La determinación de la técnica correcta, la selección de unos

indicadores adecuados y la elección de un tamaño adecuado de la muestra con una precisión,

nivel de confianza y margen de error adecuados.

 6

4.2 Muestreo probabilístico

Este tipo de muestreo utiliza formas de selección aleatoria para la toma de las muestras.

El factor más importante en este tipo de muestreo es que todos en la población tengan la misma

oportunidad de ser seleccionados.

Este método hace uso de la teoría estadística para la selección al azar de un pequeño

grupo de personas, esta será la muestra de una gran población de la cual se pretende llegar a unos

resultados que juntos coincidan con la población en general.

4.2.1. Muestreo aleatorio simple (MAS)

El muestreo aleatorio simple es uno de los muestreos más importantes y conocidos, este

consiste en dar a cada individuo de la población la misma probabilidad de ser seleccionado, ya

sea a través de una lotería o un software de generación de números aleatorios.

Una parte muy importante de este tipo de muestreo es la selección del tamaño de la

muestra de forma correcta para que el error de muestreo sea el mínimo posible.

Tamaño óptimo de la muestra:

Durante el muestreo la primera etapa es calcular cuántos elementos de la población van a

componer la muestra. Lo primero es establecer el valor del máximo error dispuesto a admitir y

definir el nivel de confianza que se asumirá en la inferencia. En este caso el tamaño óptimo de la

muestra será dado por la siguiente ecuación:

 7

𝑠2
𝑛=
𝑒2 𝑠2
2 +𝑁−1
𝑧𝛼/2

Donde:

𝑒 = 𝐸𝑟𝑟𝑜𝑟 𝑚á𝑥𝑖𝑚𝑜 𝑎𝑑𝑚𝑖𝑠𝑖𝑏𝑙𝑒

2
𝑧𝛼/2 = 𝑉𝑎𝑙𝑜𝑟 𝑡𝑎𝑏𝑢𝑙𝑎𝑑𝑜 𝑑𝑒𝑙 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎

𝑁 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛

𝑠 2 = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛

Así mismo, podemos obtener un tamaño optimo de l amuestra con las siguientes

ecuaciones, una para poblaciones finitas y otra para poblaciones infinitas respectivamente:

𝑍2𝑆 2𝑁
𝑃𝑎𝑟𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑓𝑖𝑛𝑖𝑡𝑎𝑠: 𝑛 =
𝑁𝐸 2 + 𝑍 2 𝑆 2

𝑍2𝑆 2
𝑃𝑎𝑟𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑎𝑠: 𝑛 = 2
𝐸

Ejemplo del MAS:

Una municipalidad estudia hábitos de estudio en estudiantes de 1° básico a 4° medio en

liceos de la comuna. Se aplicará una encuesta por muestreo. Condición es calcular el tamaño de

muestra. El total de estudiantes que asisten a los liceos de esta comuna es de 21.524. Se utiliza la

varianza de estudios anteriores, 122. El error máximo admisible se fija en 1 y el nivel de

confianza en 99%.
 8

Solución

A partir del enunciado obtenemos los siguientes datos:

2
𝑒 = 1; 𝑧𝛼/2 = 2,58; 𝑁 = 21.524; 𝑠 2 = 122

𝑠2 122
𝑛= = = 770
𝑒2 𝑠2 12 122
2 +𝑁−1 +
𝑧𝛼/2 2,582 21.524 − 1

Para hacer una estimación con un error máximo admisible de I y un nivel de confianza

del 99%, la municipalidad requiere una muestra de 770 estudiantes.

4.2.2. Muestreo sistemático (MS)

Procedimiento muestral que se caracteriza por la utilización de información n auxiliar

para mejorar la eficiencia en la selección de elementos y mejorar la precisión de las

estimaciones. La información auxiliar corresponde a variables de estratificación -sexo, región,

estado civil- que dividen a la población en estratos. Los estratos son grupos homogéneos de

elementos por lo que no es preciso seleccionar un número elevado de casos para representar al

estrato. Mientras más homogéneo sea el estrato más precisa será la estimación.

Tamaño óptimo de la muestra

Dado que el muestreo sistemático es sin reposición utilizaremos el estimador lineal insesgado de

Horwitz y Thompson (1952), que de forma general asegura que se pueda estimar el total de
 9

cualquier característica como los valores observados en la muestra, dividido la probabilidad de

inclusión con la que el individuo o elemento fue elegido para la muestra.

En muestreo sistemático la probabilidad k de selección de un elemento poblacional cualquiera

para la muestra será igual a la probabilidad de que resulte elegida la zona que lo contiene, esto

es, luego podemos utilizar la forma general del estimador de Horwitz y

Thompson para asegurar la estimación insesgada del parámetro de la población obteniendo

 10

Ejemplo muestreo sistemático:

Dada la población siguiente:

Se desea estimar una muestra sistemática de tamaño 3 (1 en 3). determine el espacio

muestral y las probabilidades asociadas a las muestras posibles para muestreo estratificado.

Solución

Como se trata de muestreo sistemático 1 en 3, dividimos la población

en 3 zonas (filas) de 3 elementos cada una así:

Entonces las muestras posibles serán (1,2,2), (3,4,7), (5,6,3), siendo la probabilidad de

cada una Tendremos:

Aplicando la fórmula del total y la media tenemos las distribuciones en el muestreo de los

dos estimadores, con la que ya podemos calcular su media y varianza.

 11

4.2.3. Muestreo aleatorio estratificado (MAE)

La variable de estratificación es auxiliar y permite constituir grupos homogéneos de

elementos. La condición para que esto ocurra es que la variable de estratificación esté

relacionada con la variable a medir. Los estratos están conformados por elementos que tienen

puntuación homogénea en la variable en estudio. Los elementos que componen un estrato son

parecidos dentro del estrato y los estratos son agrupaciones distintas entre sí.

Se suele usar más de una variable de estratificación, a fin de asegurar mayor

homogeneidad en los estratos. En tal caso se aconseja que ambas variables estén relacionadas

con la variable a medir, pero no relacionadas entre sí. Si existe relación entre ellas su uso no se

justifica porque no mejoran el resultado de la estratificación. Se aconseja usar aquella que está

más relacionada con la variable en estudio. a fin de generar estratos más homogéneos.

La variable de estratificación es auxiliar y permite constituir grupos homogéneos de

elementos. La condición para que esto ocurra es que la variable de estratificación esté

relacionada con la variable a medir. Los estratos están conformados por elementos que tienen

puntuación homogénea en la variable en estudio. Los elementos que componen un estrato son

parecidos dentro del estrato y los estratos son agrupaciones distintas entre sí.

Se suele usar más de una variable de estratificación, a fin de asegurar mayor

homogeneidad en los estratos. En tal caso se aconseja que ambas variables estén relacionadas

con la variable a medir, pero no relacionadas entre sí. Si existe relación entre ellas su uso no se

justifica porque no mejoran el resultado de la estratificación. Se aconseja usar aquella que está

más relacionada con la variable en estudio. a fin de generar estratos más homogéneos.
 12

Tamaño óptimo de la muestra

Las técnicas de muestreo estratificado pueden emplearse para estimar de forma más

precisa parámetros de las poblaciones de interés, ya sean medias o proporciones. Pero,

inversamente, también pueden permitirnos reducir el tamaño de muestra requerido para lograr

una estimación con un nivel de error determinado.

Para calcular n se necesita conocer:

 13

Ejemplo de muestreo estratificado:

Solución

Se realizan los cálculos por estratos que sean necesarios para el desarrollo del ejercicio.

• Afijación de mínima varianza sin reposición.

 14

Se observa que el número de unidades a seleccionar para la muestra en el tercer estrato es

superior al número de unidades que se presentan en dicho estrato.

Ante esta circunstancia seleccionamos para la muestra las 30 unidades del tercer estrato;

es decir, todas las unidades del tercer estrato van a ser autorepresentadas. Pero ahora las 70

unidades restantes de la muestra han de repartirse mediante afijación de mínima varianza entre

los dos primeros estratos. Tendremos:

Por tanto, la nueva afijación es n1= 17, n2 = 53 y n3 = 30. Para hallar la varianza del

estimador de la media para esta fijación sin reposición hemos de tener en cuenta que los estratos

con sus unidades autorizadas no intervienen en el cálculo de las varianzas. Como el tercer estrato

no interviene en el valor de la varianza, calculamos .

La varianza será:
 15

• Afijación de mínima varianza con reposición.

Se observa que la afijación coincide exactamente con la obtenida para muestreo sin

reposición. Ahora el número de unidades a seleccionar para la muestra en el tercer estrato vuelve

a ser superior al número de unidades de dicho estrato, pero como el muestreo es con reposición,

es posible seguir haciendo extracciones porque las unidades se reponen a la población cuando se

extrae y nunca se acabarán. El valor de la varianza mínima será ahora:

No obstante, si se exige que las unidades seleccionadas sean distintas, seleccionamos para

la muestra las 30 unidades del tercer estrato; es decir, todas las unidades del tercer estrato van a

ser autorepresentadas. Pero ahora las 70 unidades restantes de la muestra han de repartirse

mediante afijación de mínima varianza con reposición entre los dos primeros estratos.

Tendremos:
 16

Por tanto, la nueva afijación es n1 = 17, n2 = 53 y n3=30. Para hallar la varianza del

estimador de la media para esta afijación con reposición hemos de tener en cuenta que los

estratos con sus unidades autorepresentadas no intervienen en el cálculo de las varianzas. Como

el tercer estrato no interviene en el valor de la varianza calculamos

La varianza será:

Las afijaciones coinciden para muestreo con y sin reposición, pero el muestreo sin

reposición resulta más preciso, ya que tiene menor varianza (tanto si se exigen unidades distintas,

como en caso contrario).

Se observa que, aunque haya estratos con todas sus unidades autorepresentadas, el

muestreo sin reposición sigue siendo más preciso que el muestreo con reposición.

4.2.4 Muestreo por conglomerados o clústeres (MPC)

Procedimiento de muestreo que abre un abanico de posibilidades relacionadas con los

muestreos por etapas y muestreos complejos. Este procedimiento se caracteriza por constituir

unidades de muestreo compuestas por un agregado de elementos. Cada grupo de elementos

constituye un conglomerado.
 17

Todo conglomerado está constituido por un conjunto de elementos con valores diferentes

entre sí en la variable medida para formar conglomerados. Una peculiaridad del muestreo por

conglomerados es que no se requiere el listado de todos los elementos de la población para

diseñar la muestra.

Tamaño óptimo de la muestra:

La determinación del tamaño de la muestra dice relación con dos factores condicionantes.

A saber, número de elementos y número de conglomerados a seleccionar. ¿Cuántos elementos y

cuantos conglomerados?

El modo más sencillo es calcular el número de elementos y utilizar el resultado para

calcular el numero de conglomerados. El cálculo del número de elementos corresponde a una

fórmula que incluye el coeficiente de correlación íntraconglomerado p. Nótese que el coeficiente

p mide similitud entre elementos. Incluido, en la formula genera muestras grandes cuando los

elementos son similares dentro del conglomerado y muestras pequeñas cuando los

conglomerados son heterogéneos:

̅ − 1)𝜌]
𝑛𝑐 = 𝑛[1 + (𝑀

Donde:

𝑛 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑠𝑖𝑚𝑝𝑙𝑒 𝑐𝑜𝑛 𝑝𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎

̅ = 𝑇𝑎𝑚𝑎ñ𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑛𝑔𝑙𝑜𝑚𝑒𝑟𝑎𝑑𝑜

𝑀

𝜌 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑖𝑛𝑡𝑟𝑎𝑐𝑜𝑛𝑔𝑙𝑜𝑚𝑒𝑟𝑎𝑑𝑜
 18

Ejemplo del MPC:

Se pesquisa grado de identificación de empleados con una institución. Dado que ésta se

divide en 6S departamentos similares entre ellos, se optó por realizar muestreo por

conglomerados. Para esto se seleccionó a 8 departamentos encuestándose a todos sus empleados.

Aplicada un a escala de 1 a 10 se construye un intervalo de confianza para inferir identificación a

la población. Se fijó un nivel de confianza del 95%.

En la siguiente Tabla se presentan los promedios obtenidos en la escala en cada

departamento seleccionado:

Solución

A partir del enunciado se obtienen los siguientes datos:

2
𝐾 = 65; 𝑧𝛼/2 = 1,96; 𝑛 = 8

Primero calcularemos el estadístico muestral:

4,3 + 4,1 + 3,9 + 4,5 + 4,0 + 4,2 + 4,1 + 4,7

𝑥̅𝑐 = = 4,2
8

A continuación, se calcula 𝑆𝑥̅2𝑐 :

 19

(4,3 − 4,2)2 + (4,1 − 4,2)2 + (3,9 − 4,2)2 + (4,5 − 4,2)2 + (4,0 − 4,2)2 + (4,2 − 4,2)2 + (4,1 − 4,2)2 + (4,7 − 4,2)2
𝑆𝑥̅2𝑐 =
8−1

Se calcula el intervalo de confianza:

𝑆𝑥̅2𝑐 = 0,0357

65 − 8
4,2 ± 1,96√ ∙ 0,0357
65 ∙ 8

4,2 ± 0,12 (4,08 − 4,32)

Conclusión: Con un 95% de confianza podemos afirmar que la media de identificación

con la institución, según la escala 1 a 10, se encuentra entre 4,08 y 4,32.

 20

4.3 Muestreo no probabilístico

El muestreo no probabilístico es una técnica utilizada en la muestra estadística, este a

diferencia del muestreo probabilístico no permite que todos los individuos de una población a

investigar, posean las mismas oportunidades de selección, es decir no se conoce la probabilidad

con la que se puede seleccionar a cada individuo. El muestreo no probabilístico se utiliza cuando

es imposible o muy difícil obtener la muestra por métodos de muestreo probabilístico.

¿Cuándo usar el muestreo probabilístico?

• Este tipo de muestreo se usa para indicar si existe un rasgo o característica

particular en una población.

• Esta técnica de muestreo es ampliamente utilizada cuando los investigadores

realizan investigaciones cualitativas, estudios piloto o investigación exploratoria.

• El muestreo no probabilístico se usa cuando los investigadores tienen un tiempo

limitado para llevar a cabo la investigación o tienen limitaciones presupuestarias.

• El muestreo no probabilístico se realiza para observar si un tema en particular

necesita un análisis en profundidad.

Los muestreos no probabilísticos son procedimientos de selección que se caracterizan

porque los elementos de la población no tienen una probabilidad conocida de selección. El hecho

de no conocer la probabilidad de selección anula el uso de las herramientas elaboradas r ara

inferir de la muestra a la población. En consecuencia, en el muestreo no probabilístico es

imposible conocer la magnitud del error asociado a la estimación del parámetro poblacional.
 21

4.3.1 Muestreo por conveniencia

El muestreo por conveniencia es un tipo de muestreo no probabilístico que se aplica

cuando la muestra estadística a formar es seleccionada en el entorno próximo al investigador, sin

que medien requisitos específicos. El objetivo es facilitar el trabajo de quien desarrolla el

estudio.

Debido a que no se espera que esta muestra sea representativa de la población, no se

aplica ningún proceso de selección para conformarla. En cambio, se privilegia la disponibilidad

de las personas y la facilidad para acceder a ellas. Incluso suelen aceptarse voluntarios que

deseen colaborar con el estudio.

Ejemplo muestreo de conveniencia

Se investigan las opiniones sobre los servicios de apoyo a los estudiantes en una

universidad, por parte de un investigador “Estudiante” que decide aplicar una serie de encuestas

después de cada una de sus clases desarrolladas por sus compañeros sobre el tema. Esta es una
 22

forma conveniente de recopilar datos, pero como sólo encuestar a los estudiantes de una sola

clase, del mismo nivel conlleva a que la muestra no sea representativa, pues está muy

concentrada y no incluye una muestra con la que se pueda evaluar el comportamiento de los

estudiantes de la universidad.

4.3.2 Método discrecional o por juicio

El método de muestreo discrecional (o muestreo por juicio) es un método de muestreo no

probabilístico. Los sujetos se seleccionan a base del conocimiento y juicio del investigador.

El investigador selecciona a los individuos a través de su criterio profesional. Puede

basarse en la experiencia de otros estudios anteriores o en su conocimiento sobre la población y

el comportamiento de esta frente a las características que se estudian.

Ejemplo muestreo Discrecional:

 23

En un estudio en donde un investigador quiere saber qué es necesario para graduarse con

los más altos honores en la universidad Distrital, según el investigador las únicas personas que

podrán brindarle el mejor asesoramiento para realizar de una forma más eficaz el estudio serán

las personas que se graduaron con los más altos honores de la mencionada universidad se

recolecta la información y durante el periodo 2020- 2021 el número de personas graduadas con

altos honores es una muestra de 10 personas. Con este grupo tan específico y limitado de

personas que serán los sujetos escogidos a juicio por el investigador, teniendo como argumento

que al utilizar esta muestra podrá recolectar la información más acertada, el investigador debe

utilizar el muestreo discrecional.

Algunos de los honores que se alcanzan en esta universidad es un buen promedio

adquirido durante la carrera y el desempeño obtenido, la otra forma es una buena Tesis y una

buena investigación.

Se estima que al hacer uso de este muestreo se pueda adquirir un nivel de satisfacción que

indique los medios o aptitudes que realizaron los estudiantes graduados con honores, de este

modo poder hacer uso de estos medios y que influya en la adquisición de honores al momento de

graduarse.

4.3.3 Muestreo casual o accidental

El muestreo casual o accidental es un método de muestreo no probabilístico donde los

individuos se eligen de manera casual, sin ningún juicio previo. Las personas que realizan el

estudio eligen un lugar o un medio, y desde ahí realizan el estudio a los individuos de la

población que accidentalmente se encuentren a su disposición.

 24

Utilizaremos el muestreo casual o accidental únicamente para hacernos una idea de cuál

es la opinión de la gente respecto a algún producto o tema de actualidad. Los resultados

obtenidos mediante muestreo casual o accidental no son representativos de la opinión de toda la

población, sino que el resultado es orientativo.

Ejemplo de muestreo casual:

Se realiza una encuesta de opinión sobre un producto de higiene personal que se ha

lanzado al mercado recientemente. La empresa contrata a una serie de entrevistadores que

realizan las encuestas en la calle. Éstos van entrevistando a los que se van encontrando

accidentalmente por la calle.

 25

4.3.4 Bola de nieve

El método de muestreo de bola de nieve (o muestreo por referidos) es un método de

muestreo no probabilístico. El muestreo se realiza sobre poblaciones en las que no se conoce a

sus individuos o es muy difícil acceder a ellos. Podrían ser los casos de sectas secretas,

indigentes, grupos minoritarios, etc.

Se llama muestreo de bola de nieve porque cada sujeto estudiado propone a otros,

produciendo un efecto acumulativo parecido al de la bola de nieve.

Ejemplo muestreo bola de nieve:

Considere hipotéticamente que usted, como investigador, está estudiando a las personas

sin hogar de la ciudad de Texas. Obviamente, es difícil encontrar una lista con todos los detalles

del número de personas sin hogar que hay allí. Sin embargo, puede identificar a una o dos

personas sin hogar que estén dispuestas a participar en sus estudios de investigación.

Ahora, estos indigentes le proporcionan los datos de otros indigentes que conocen. El

primer indigente que ha encontrado para su investigación es el dato primario. Puede recoger la
 26

información y tabular los datos de la fuente de datos primarios y pasar a otros individuos a los

que la fuente de datos primarios ha hecho referencia. Como investigador, puedes seguir

interviniendo a todos los indigentes que encuentres a través de la referencia proporcionada hasta

que sepas que has recogido suficientes datos para tu investigación.

4.3.5 Muestreo por cuotas

El muestreo por cuotas es un tipo de muestreo no probabilístico que consiste en formar

una muestra estadística a partir de estratos que comparten características.

Mediante este sistema, el investigador divide a la población en grupos o estratos que

poseen características similares (sexo, edad, región, etc.) y de ellos selecciona una muestra

proporcional y representativa de toda la población.

Por último, el investigador podrá hacer la selección de individuos por conveniencia o

comodidad, sin la necesidad de que la muestra sea aleatoria.

El muestreo por cuotas se puede entender como la versión no probabilística del muestreo

estratificado, ya que la selección de individuos de cada estrato se hace por conveniencia y a

propia elección del investigador.

Ejemplo muestreo por cuotas:

Se debe realizar una investigación acerca de personas con algún problema de salud en

una empresa que posee 1.000 empleados (población), por lo que el investigador decide separar a

las personas en estratos, según su rango de edad, de la siguiente manera:

 27

Con los estratos ya segmentados, el investigador debe conformar una muestra que sea

proporcional al total de la población, por lo que selecciona una muestra estadística de 100

personas para realizar su investigación.

Dentro de ellas, el investigador decide tomar 60 empleados de entre 18 y 29 años (60%),

30 empleados de entre 30 a 59 años (30%) y 10 empleados de entre 60 a 100 años (10%).

Asimismo, define su criterio de selección a conveniencia, pues elige para la muestra aquellos

empleados que más confianza y relación tienen con él.

De esta manera quedaría conformado el muestreo por cuotas de 100 personas, de manera

proporcional a la población. A partir de esta muestra, el investigador podrá realizar su

investigación sobre los problemas de salud de los empleados de la empresa.

 28

5. Conclusiones

1. Durante el desarrollo de este trabajo investigo se genero conciencia sobre la importancia

del muestreo para el campo de la estadística y de las ciencias en general, se observa la

gran importancia de los muestreos probabilísticos, estos nos permiten realizar un mejor

acercamiento al análisis poblacional teniendo como base muestras. Así mismo, es

importante conocer las formulas que se presentan encada uno ya que nos permiten partir

de algo para seleccionar el tamaño optimo muestra, aquel que nos permitirá el mejor

acercamiento a los indicadores poblacionales.

2. El muestreo aleatorio simple se puede considerar como uno de los muestreos más usados

e importantes en las investigaciones estadísticas, debido a la facilidad de armar la

muestra, de igual forma se puede mencionar que su utilidad permite seleccionar de una

forma justa la muestra a trabajar, dado que cada miembro tiene la misma igualdad de

oportunidades de ser seleccionado, esto debido a que la única representatividad del

muestreo aleatorio simple es la suerte.

3. Los muestreos no probabilísticos son procedimientos que se caracterizan porque los

elementos de la población no tienen una probabilidad conocida de selección. Al no

conocer la probabilidad de selección se anula el uso de las herramientas elaboradas o

utilizadas en los métodos probabilísticos para calcular de la muestra a la población. En

consecuencia, en el muestreo No Probabilístico es imposible conocer la magnitud del

error asociado a la estimación del parámetro poblacional. Dentro de las ventajas del

muestreo no probabilístico podemos inferir que se facilita el diseño y se genera una

disminución en los costos.

 29

4. Dentro de la categoría de No Probabilísticos se deriva una agrupación de sub métodos de

muestreo los que distinguen a unos de otros es el modo de selección de los elementos con

los que se pretende acumular los datos. En efecto, dado que los elementos de la población

no tienen una probabilidad conocida de pertenecer a la muestra, es imposible conocer la

distribución de probabilidades de la muestra y establecer un intervalo de confianza.

 30

Bibliografía

Degraves, Á. G. (2022, 25 mayo). ¿Qué es y para qué sirve el Muestreo Estadístico? Fundación

iS+D. https://isdfundacion.org/2018/10/10/que-es-y-para-que-sirve-el-muestreo-

estadistico/

Lopez, P. C. (2006). Muestreo Estadistico - Conceptos y Problemas Resueltos. Pearson

Educacion.

Muguira, A. (2022, 25 febrero). Muestreo aleatorio simple, uno de los tipos de muestreo de

probabilidad. QuestionPro. https://www.questionpro.com/blog/es/muestreo-aleatorio-

simple/

Ortega, C. (2021, 1 julio). ¿Cómo realizar un muestreo probabilístico? QuestionPro.

https://www.questionpro.com/blog/es/como-realizar-un-muestreo-probabilistico/

Perez, C. (2009). Técnicas de muestreo estadístico. Garceta.

Serra, B. R. (2020, 26 octubre). Muestreo casual o accidental. Universo Formulas.

https://www.universoformulas.com/estadistica/inferencia/muestreo-casual/

Vivanco, M. (2005). Muestreo Estadistico. Diseño Y Aplicaciones. Universitaria.

Westreicher, G. (2022, 21 abril). Muestreo. Economipedia.

https://economipedia.com/definiciones/muestreo.html