Módulo II

Recolección de Datos

A. Diseño de la Investigación y Fuentes de Datos

Una vez ejecutada la fase inicial del proceso de investigación, si se ha ejecutado adecuadamente, el investigador
puede iniciar el diseño del proyecto formal de investigación e identificar las fuentes de datos apropiadas para el
estudio.
El objetivo fundamental del proyecto formal de investigación es el de proveer a quien toma las decisiones, la
información concluyente de la investigación. Este incluye el análisis detallado de las fuentes básicas de datos de
mercado.
Un diseño de investigación es el plan básico que guía las fases de recolección de datos y análisis del proyecto de
investigación. Es la estructura que especifica el tipo de información que debe ser recolectada, las fuentes de datos
y el procedimiento de recolección de datos.
Para una investigación se pueden utilizar como fuente de información los datos primarios y secundarios

Existen fundamentalmente dos fuentes de datos e información:

o Fuentes Primarias de datos, o de primera mano, obtenidas por el propio investigador; proveen un testimonio
o evidencia directa sobre el tema de investigación. Se conocen como fuentes de primera mano o directas y
son más confiables porque proveen datos de quienes directamente observaron un hecho o generaron
alguna idea. Se componen de datos originales tomados especialmente para la investigación, obtenidos
directamente de la realidad (produciéndolos) con nuestros propios instrumentos. Una fuente primaria es
aquella que provee un testimonio o evidencia directa sobre el tema de investigación. Esta fuente de datos
puede que ya exista, es decir, fuente de datos ya publicados, y pueden ser gubernamentales, industriales o
individuales.

Ejemplos: Documentos originales, trabajos creativos, artefactos, diarios, autobiografías, novelas, prendas,
instrumentos musicales, minutas, arte visual, cartas, ropa, entrevistas, poesía, apuntes de investigación,
noticias, tesis de grado, fotografías, discursos, etc.

o Fuentes Secundarias de datos, que representan datos que han sido recolectados con otro propósito, es
decir que han sido producidos por otras personas o instituciones. Representan datos ya procesados y
consiste en resúmenes, compilaciones o listados de referencias preparados en base a fuentes primarias; es
decir, interpretan y analizan fuentes primarias. Se consiguen con mayor facilidad, rapidez y a menor costo,
pero no proporcionan la totalidad de información necesaria y su calidad no es la más conveniente.

Ejemplos: Artículos, revistas, crítica literaria y comentarios, enciclopedias, biografías, datos comerciales,
fuentes internas, fuentes externas, publicaciones gubernamentales, tesis de graduación, bibliotecas
universitarias, estatales o de diversas fundaciones, periódicos y revistas, libros de texto, enciclopedias,
registros contables, inventarios, informes de investigación, asociaciones privadas como APEDE, y la
Cámara de Comercio, organizaciones no gubernamentales, etc.

B. Muestreo

¿Qué es el muestreo?
El muestreo es el proceso de seleccionar un conjunto de individuos de una población con el fin de estudiarlos y
poder caracterizar el total de la población.
La idea es bastante simple. Imagina que queremos saber algo de un universo o población, por ejemplo, qué
porcentaje de los habitantes de México fuma habitualmente. Una forma de obtener este dato sería contactar con
todos los habitantes de México (122 millones de personas) y preguntarles si fuman. La otra forma sería seleccionar
un subconjunto de individuos (por ejemplo, 1,000 personas), preguntarles si fuman y usar esta información como
una aproximación de la información que busco. Pues bien, este grupo de 1,000 personas que me permiten conocer
mejor cómo se comportan el total de mexicanos es una muestra, y la forma en que los selecciono es el muestreo.

¿Por qué funciona el muestreo?

El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso, que llamamos generalización. Es
decir, para conocer un universo lo que hacemos es (1) extraer una muestra del mismo, (2) medir un dato u opinión y
(3) proyectar en el universo el resultado observado en la muestra. Esta proyección o extrapolación recibe el nombre
de generalización de resultados.

La generalización de resultados añade cierto error al mismo. Imagina que tomamos una muestra al azar de 1.000
personas de México y les preguntamos si fuman. Obtengo que el 25% de la muestra fuman. La simple lógica nos
dice que si de 1,000 mexicanos elegidos al azar el 25% fuma, este dato debería ser indicativo de lo que
obtendríamos si preguntásemos a los 122 millones de mexicanos. Ahora bien, el azar podría haber hecho que haya
escogido para mi muestra más fumadores de lo que correspondería a la proporción exacta que hay en el universo
o, por el contrario, que en mi muestra los fumadores estén algo infrarrepresentados. El azar podría hacer que el
porcentaje de fumadores en la población fuese algo diferente del 25% que hemos observado en la muestra (tal vez
un 25.2%, por ejemplo). Por lo tanto, la generalización de resultados de una muestra a un universo conlleva aceptar
que cometemos cierto error, tal y como ilustra el siguiente esquema.

Afortunadamente, el error que cometo al generalizar resultados puede acotarse gracias a la estadística. Para ello
usamos dos parámetros: el margen de error, que es la máxima diferencia que esperamos que haya entre el dato
observado en mi muestra y el dato real en el universo, y el nivel de confianza, que es el nivel de certeza que tengo
de que realmente el dato real esté dentro del margen de error. Por ejemplo, en nuestro caso de fumadores
mexicanos, si selecciono una muestra de 471 individuos y les pregunto si fuman, el resultado que obtenga tendrá
un margen de error máximo de +-5% con un nivel de confianza del 97%. Esta forma de expresar los resultados es
la correcta cuando usamos muestreo.

El Tamaño de la Muestra
¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende del tamaño del universo y del nivel
de error que esté dispuesto a aceptar. Cuanta más precisión exija, mayor muestra necesito. Si quiero tener una
certeza absoluta en mi resultado, hasta el último decimal, mi muestra tendrá que ser tan grande como mi universo,
para que pueda ser representativa de éste.

Pero el tamaño de la muestra tiene una propiedad fundamental que explica por qué el muestreo se usa tanto en
tantos ámbitos del conocimiento. Esta propiedad podría resumirse como sigue: a medida que estudio universos
mayores, el tamaño de muestra que necesito cada vez representa un porcentaje menor de dicho universo.
Este fenómeno lo explican de forma muy didáctica en Gaussianos.com, un interesante blog dedicado a las
matemáticas. Supongamos que queremos hacer una encuesta para saber un porcentaje (podría ser el de gente que
fuma) con un nivel de error determinado, por ejemplo, un margen de error del 5% y una confianza del 95%. Si el
universo a estudiar fuese de tan sólo 100 personas, mi muestra tendría que ser de 79.5 individuos (es decir, 79.5%
del universo, lo que representa una3 parte muy importante del total del universo). Si el universo fuese de 1,000
personas, mi muestra debería ser de 277.7 personas (27.7% del universo). Y si mi universo fuese de 100,000
personas, la muestra necesaria sería de 382.7 personas (3.83% del universo).

Por lo tanto, a medida que trabajo con universos más grandes, la muestra que necesito debe ir creciendo, pero de
forma no proporcional, tiende a estancarse y cada vez representa un porcentaje más pequeño del universo. De
hecho, a partir de cierto tamaño de universo (en torno a 100,000 individuos), el tamaño de la muestra ya no
necesita crecer más. La siguiente tabla nos muestra algunos ejemplos:

Tamaño de muestra necesaria para tener un error del 5% con un nivel de confianza del 95%

Universo Muestra necesaria %

10 10 100%

100 80 80%

1,000 278 27.8%

10,000 370 3.7%

100,000 383 0.38%

1,000,000 384 0.038%

10,000,000 385 0.004%

100.000.000 385 0.0004%

Los datos anteriores nos dicen que por grande que sea el universo, con 385 personas puedo estudiar cualquier
dato con el mismo nivel de error (margen de 5%, confianza de 95%). Por esta razón el muestreo es tan poderoso:
nos permite hacer afirmaciones altamente precisas de una gran cantidad de individuos a través de una parte muy
pequeña de los mismos.

En todo proceso de muestreo, los elementos de la muestra deben escogerse adecuadamente, de tal manera que
los resultados que se observen en ella puedan inferirse al resto de la población a la que pertenece la muestra. Para
ello debe tenerse en cuenta:

a) Tamaño de la muestra, que da la característica de muestra adecuada. El tamaño de la muestra depende de la

homogeneidad de la población.

b) Condiciones de selección de la misma, de tal manera que todos los miembros de la población tengan la misma
probabilidad de ser seleccionados como parte de la muestra, ésta es la característica de muestra representativa.

Estas dos características darán valor estadístico a los resultados y permitirán la inferencia a la población.
Varios aspectos relacionados con las características y tendencias de los sujetos que componen la población inciden
en su determinación y dificultan a la vez su valoración objetiva:

A. Objetivos que se persiguen.

B. Grado de aproximación que se pretende alcanzar.

C. La heterogeneidad de la población

Ello implica que existe una estrecha relación entre: Varianza de la media muestral, tamaño de la muestra y varianza
poblacional.
A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en cuenta varios factores: el tipo
de muestreo, el parámetro a estimar, el error muestral admisible, la varianza poblacional y el nivel de confianza.

Como contrapartida, el ejemplo anterior ilustra que el muestreo no funciona bien en universos pequeños. Si tengo
una clase de 10 alumnos, la opinión de cada uno de ellos es fundamental para conocer la opinión global, no puedo
prescindir de ninguno. Si no quiero superar el error que nos hemos propuesto, en un universo de 10 individuos
necesito encuestar a todos ellos.

Ventajas e inconvenientes del muestreo

Resumimos a continuación las principales ventajas e inconvenientes de usar muestreo frente a estudiar todo un
universo.

Ventajas:

 Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y dinero).

 La manipulación de datos es mucho más simple. Si con una muestra de 1.000 personas tengo suficiente,
¿para qué quiero analizar un fichero de millones de registros?
 En estudios que implican técnicas destructivas o de uso que imposibilidad de utilización posterior de lo
analizado.
 El trabajo con una muestra y no con el universo implica eficiencia, pues significa ahorro de recursos,
esfuerzos y tiempo.
 Con el uso del muestreo se pueden obtener resultados razonablemente más precisos que el estudio de
todo el universo, pues para el estudio de sólo una muestra, el personal mínimo necesario puede ser mejor
preparado para recoger información más detallada y elaborada.

Inconvenientes:

 Como desventaja se debe mencionar el error de muestreo, producto de la variabilidad intrínseca que
poseen los elementos de todo universo o población; esta variación frecuentemente puede ser controlada
por el método de selección de la muestra. El término error no debe entenderse como sinónimo de
equivocación.
 Introducimos error (controlado) en el resultado, debido a la propia naturaleza del muestreo y a la necesidad
de generalizar resultados, es decir, al hacer una inferencia acerca de la población, con base a la
información contenida en una muestra.
 Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra. Por ejemplo, si la forma
en que seleccionó individuos para la muestra no es aleatoria, mis resultados pueden verse seriamente
afectados.

Fundamentalmente dos factores afectan la cantidad de información contenida en la muestra, el primero es el

tamaño de la muestra seleccionada de la población y el segundo es la cantidad de variación en los datos. Como ya
mencionamos anteriormente, el procedimiento para seleccionar la muestra se denomina diseño de la muestra
(encuesta por muestreo).

Si un tamaño de muestra “n” es seleccionado de una población de tamaño “N” de tal manera que cada muestra
posible de tamaño “n” tiene la misma posibilidad de ser seleccionada, el procedimiento de muestreo se denomina
muestreo irrestricto aleatorio. A la muestra así obtenida se le llama muestra irrestricta aleatoria
Importancia y características de una buena muestra estadística

Con anterioridad se definió el concepto de población y muestra, además de cómo surge la necesidad de tomar una
muestra, debido a la imposibilidad de medir o conocer las observaciones de todos los elementos de la población.

Ahora bien la importancia de una buena muestra radica en que a partir de esa muestra se puedan hacer inferencias
sobre características de toda la población, es decir que se puedan obtener conclusiones que sean válidas para el
conjunto poblacional, resumiendo lo anterior en una palabra la muestra debe ser representativa, la cual es la primer
característica indispensable de una buena muestra, la representatividad, es decir los elementos de la muestra no
deben de tener atributos especiales que los diferencien del resto de la población, porque de ser así no
manifestarían al total de elementos de la misma.

Veamos un ejemplo de cómo la falta de representatividad de una muestra afectaría la investigación. Suponiendo
que una empresa está planeando el lanzamiento de un nuevo producto, un suavizante para la ropa en líquido, para
ahorrar costos no realiza un estudio serio, sino le encarga al encargado de operaciones que realice un muestreo de
la aceptación del producto dentro del público, el encargado de operaciones como no considera que ese sea su
trabajo, realiza el muestreo únicamente entre las personas de las casas cercanas a la suya en su colonia. Esta no
sería una buena muestra ya que no reflejaría la opinión de toda la población sino la de un pequeño grupo, de una
misma área geográfica y posiblemente de un mismo grupo socioeconómico. Es decir, no sería representativa de
toda la población.

La segunda característica indispensable en una buena muestra debe ser la aleatoriedad, es decir que dentro del
total de elementos que serán objeto de nuestro estudio, los elementos que formen la muestra deben ser
seleccionados al azar. Supongamos ahora que un gerente desea conocer la opinión del público sobre un nuevo
sabor de bebida, él sabe que la muestra deber ser representativa, así que llevan la muestra a diversos sectores
geográficos y económicos, pero todos aquellos que probaron la bebida eran sus empleados o amigos. La muestra
está viciada puesto que ellos tendrán predisposición a halagarlo, aunque la bebida sea un fracaso. Es por ello por lo
que la muestra debe ser aleatoria.

TIPOS DE MUESTREO

Los autores proponen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en general
pueden dividirse, conforme a los tipos de muestras, en dos grandes grupos: métodos de muestreo probabilístico y
métodos de muestreo no probabilístico.

MÉTODOS DE MUESTREO PROBABILÍSTICO

Una muestra probabilística es aquella en la cual los sujetos de la misma se seleccionan con base a probabilidades
conocidas. Por tanto, los métodos de muestreo probabilístico son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos
para formar parte de una muestra, y, consiguientemente, todas las posibles muestras de tamaño “n” tienen la
misma probabilidad de ser elegidas. Sólo estos métodos de muestreo probabilístico nos aseguran la
representatividad de la muestra extraída y son, por tanto, los más recomendables. Dentro de los métodos de
muestreo probabilístico encontramos los siguientes tipos:

a. MUESTREO ALEATORIO SIMPLE

b. MUESTREO ALEATORIO SISTEMÁTICO
c. MUESTREO ALEATORIOESTRATIFICADO
d. MUESTREO ALEATORIO POR CONGLOMERADOS

Muestreo Aleatorio Simple

En un muestreo aleatorio simple todos los individuos tienen la misma probabilidad de ser seleccionados. 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, este es el que vamos a utilizar.

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 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.

Hay dos conceptos básicos:

Estratificación: El criterio a seguir en la formación de los estratos será formarlos de tal manera que haya la máxima
homogeneidad en relación con la variable a estudio dentro de cada estrato y la máxima heterogeneidad entre los
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 igual: Todos los estratos tienen el mismo número de elementos en la muestra.

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

3. Afijación Newman: Cuando el reparto del tamaño de la muestra se hace de forma proporcional al valor de la
dispersión en cada uno de los estratos.

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y suelen reducir el error
muestral 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, etc.).

La distribución de la muestra en función de los diferentes estratos se denomina afijación, y puede ser de diferentes
tipos:
Afijación Simple: A cada estrato le corresponde igual número de elementos muéstrales.
Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño) de la población en cada estrato.
Afijación Óptima: Se tiene en cuenta la previsible dispersión de los resultados, de modo que se considera
la proporción y la desviación típica. Tiene poca aplicación ya que no se suele conocer la desviación.

Muestreo Aleatorio Sistemático

Es un tipo de muestreo aleatorio simple en el que los elementos se seleccionan según un patrón que se inicia con
una elección aleatoria.

Considerando una población de N elementos, si queremos extraer una muestra de tamaño n, partimos de un
número h=N/n, llamado coeficiente de elevación y tomamos un número al azar “a” comprendido entre 1 y h que se
denomina arranque u origen. La muestra estará formada por los elementos: a, a+h, a+2h, …a+(n-1) h.

De aquí se deduce que un elemento poblacional no podrá aparecer más de una vez en la muestra. La muestra será
representativa de la población, pero introduce algunos sesgos cuando la población está ordenada en función de
determinados criterios. 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 las 5 últimas 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 por Conglomerados o Áreas

Mientras conglomerado se considera una agrupación de elementos que presentan características similares a toda
la población.

Por ejemplo, para 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.

Una vez seleccionados aleatoriamente los conglomerados, se toman todos los elementos de cada uno para formar
la muestra. En este tipo de muestreo lo que se elige al azar no son unos cuantos elementos de la población, sino
unos grupos de elementos de la población previamente formados. Elegidos estos grupos o "conglomerados" en un
número suficiente, se pasa posteriormente a la elección, también al azar, de los elementos que han de ser
observados dentro de cada grupo, o bien, que en el muestreo aleatorio estratificado cada estrato presenta cierta
homogeneidad, un según se desee, a la observación de todos los elementos que componen los grupos elegidos.

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 muestral 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 muestral establecido) y en investigar después todos los elementos
pertenecientes a los conglomerados elegidos.
MÉTODOS DE MUESTREO NO PROBABILÍSTICO

El muestreo no probabilístico es una técnica de muestreo donde las muestras se recogen en un proceso que no
brinda a todos los individuos de la población iguales oportunidades de ser seleccionados. A diferencia del muestreo
probabilístico, la muestra no probabilística no es un producto de un proceso de selección aleatoria. Los sujetos en
una muestra no probabilística generalmente son seleccionados en función de su accesibilidad o a criterio personal e
intencional del investigador.

Una muestra no probabilística suele ser mucho más sencilla y barata de obtener y comprende el agrupamiento de
procedimientos como muestras a juicio, muestras por cuotas, trozo de pastel, entre otros. A veces, para estudios
exploratorios, el muestreo probabilístico resulta excesivamente costoso y se acude a métodos no probabilístico, aun
siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra
extraída sea representativa, ya que no todos los sujetos de la población tienen la misma probabilidad de ser
elegidos. En general se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea
representativa. La desventaja de este modelo es que no hay una forma probabilística de estimar que tan
representativas son esas muestras de la población de la cual se extraen.

Entre los tipos de muestreo no probabilístico tenemos:

a. MUESTREO A JUICIO O DISCRECIONAL

b. MUESTREO POR CUOTAS
c. MUESTREO POR CONVENIENCIA (CASUALO INCIDENTAL)
d. Otros (Trozo de Pastel, Bola de Nieve, Opinático o Intencional)

En la muestra a juicio, el entrevistador selecciona a cualquier sujeto que desea, esto es, a criterio, juicio,
conocimiento y experiencia del investigador, los elementos son elegidos sobre lo que él cree que pueden aportar al
estudio. • Ej.: Muestreo por juicios; cajeros de un banco o un supermercado; etc. Se le conoce también como
muestreo Discrecional. Mientras que en las muestras de cuotas la selección está restringida por varias cuotas
preestablecidas en relación con sexo, edad, raza, etc., que tratan de simular características conocidas de la
población.

El muestreo por conveniencia es una técnica de muestreo no probabilístico donde los sujetos son seleccionados
dada la conveniente accesibilidad y proximidad de los sujetos para el investigador y no atendiendo a algún juicio o
criterio preestablecido; es decir, los elementos son elegidos arbitrariamente, fundamentalmente la muestra es
seleccionada por el hecho de ser accesible (los elementos o individuos de la muestra están fácilmente disponibles)
y no atendiendo a ningún criterio estadístico. También se le conoce como muestreo Casual o incidental (accidental).
El caso más frecuente de este procedimiento el utilizar como muestra los individuos a los que se tiene fácil acceso
(los profesores de universidad emplean con mucha frecuencia a sus propios alumnos). Esta forma de proceder en el
muestreo es ampliamente utilizada, sin embargo, en las ciencias sociales.

El muestreo opinático o intencional, se caracteriza por un esfuerzo deliberado de obtener muestras

"representativas" mediante la inclusión en la muestra de grupos supuestamente típicos. Es muy frecuente su
utilización en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto.

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. El muestreo de bola de nieve se utiliza cuando se va a estudiar a una
población a la que es muy difícil acceder. El investigador conoce algún componente de la población y a través de
ellos va completando la muestra.
El investigador depende mucho de la información que pueda obtener de los sujetos que estudia, y podría darse el
caso de que se quede con muy pocos individuos en la muestra.

En cualquier caso, el entrevistador evitará elegir vecindarios pobres, áreas inaccesibles o zonas de depresión para
trabajar. Con esto, los resultados tienen un prejuicio o sesgamiento automático, porque se omitirán grupos enteros
en el proceso de selección.
El trozo de pastel se compone de un proceso de autoselección por mera conveniencia.

Ejemplos:
o Personas que responden a un anuncio
o Los miembros de una clase en particular
o Personas que visitan una exhibición en un centro comercial
o Personas en un teatro particular.