CARRERAS: Ingeniería Comercial y Contaduría Pública

ASIGNATURAS: INV-100 Introducción a la Investigación (Ing.Com.)

INV-150 Métodos de investigación (Cont.Pub)

TEMA 4: El muestreo

M.Sc. Elías Mercado Leigue

eliasmercado@uagrm.edu.bo
73139770
Montero – Bolivia, 2022
 Contenido del tema

1) La muestra

2) El muestreo
2.1. Definiciones básicas

4. El muestreo 2.2. Etapas del muestreo

2.3. Tipos de muestreo

2.4. Cálculo de la muestra

2.5. Ventajas del muestreo
Estructura del Perfil (Proyecto) de Investigación
1. Título
2. Antecedentes
3. Situación problemática
4. Problema de investigación
4.1 Objeto de estudio
4.2 Campo de acción
5. Preguntas de investigación
6. Delimitación de la investigación
6.1 Delimitación temporal
6.2 Delimitación espacial o geográfico
6.3 Delimitación sustantiva o teórica
7. Justificación
8. Objetivos de la investigación
8.1 Objetivo general
8.2 Objetivos específicos
9. Plan de trabajo del investigador
10. Hipótesis
11. Diseño metodológico
11.1 Caracterización epistemológica
11.2 Métodos teóricos
11.3 Métodos empíricos
11.4 Métodos de validación
11.5 Técnicas e instrumentos
11.6 Población y muestra
12. Resultado esperado de la investigación
13. Indice tentativo o tablas de contenido
3
Muestra o Censo?
 1.1. El Universo (U)

Universo

Universo (U) = Todos los habitantes del espacio geográfico del estudio (de
una ciudad), donde NO todos poseen la información que se busca.
Ejem. Montero U=200.000 habitantes
 1.2. Población (N)

Universo

Población

Población (N) = Son sólo los individuos que poseen la

información, por tanto interesan al estudio.
Ejem. Población universitaria FINOR, N=15000 estudiantes
 1.3. Muestra (n)

Universo

Población Muestra

Muestra (n) = Son los individuos seleccionados para obtener la información

(informantes). La técnica de selección es el muestreo.
Ejem. U= 200000 hab. N=15000 estudiantes. n=145 individuos
 1. Definiciones de U, N, n

Universo (U) = Para fines estadísticos. Son todos los individuos del
espacio geográfico del estudio (la ciudad). No todos los individuos
poseen la información que se busca, además los altos costos, hacen
inviable usar el U en una investigación de mercados. U = 200000
Individuos

Población (N) = Son los que poseen la información que se busca,

por tanto, son de interés para la investigación. Grandes poblaciones
y altos costos, obligan a colectar la información requerida sólo de N = 15000
individuos muestras (informantes seleccionados) estudiantes

Muestra (n) = Son los individuos seleccionados para obtener la

información (informantes). La técnica de selección es el muestreo. n = 150
Individuos
 2. Definición de Muestreo

El muestreo es la técnica a través de la cual se estudia la

muestra.
Muestreo es una técnica que permite conocer los
parámetros de la población a través de los estadígrafos de
la muestra.

La técnica del muestreo se usa cuando la población es

relativamente grande y no se puede censar a todos los
sujetos para colectar la información requerida.
El muestreo es la manera inferencial que hace posible la
generalización.
 2.1. Etapas del muestreo
1) Determinación de la población.- consiste en determinar la cantidad
de población (de interés) que será sometida a investigación.

2) Diseño del marco muestral.- consiste en establecer los estratos

(conglomerados) y racimos (clusters).

3) Diseño de la muestra.- consiste en seleccionar el tipo de muestra

probabilística o no-probabilística.

4) Cálculo del tamaño de la muestra.- mediante cálculo matemático, se

establece el tamaño de la muestra, total, por estrato 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) Procesamiento de datos.- consiste en ordenar la información

obtenida, haciendo inferencias en toda la población.
 2.2. Condiciones de la muestra (n)
1) Muestra no-representativa
(No Probabilística). Se usa en pequeños grupos de
personas (< 50 pers), cuando se busca conocer
información muy particular o algunos indicios
generales del problema. Ocurre cuando NO se
pretende hacer un trabajo muy preciso. La información
provista por el informante NO representa a toda la
Condiciones población. No usa probabilidad matemática, la
determinación de la muestra (# personas) es arbitraria.
n Familias
de n 2) Muestra representativa
(Probabilística). Se usa en grandes poblaciones
(>50pers). La muestra es representativa cuando sus
individuos seleccionadas reflejan lo que ocurre en la
población. Estudiar la muestra es semejante a estudiar
toda la población. La n resulta de probabilidad
matemática (fórmulas).
 2.2. Tipos de muestreo
1a) Muestra accidental.-
1b) Muestra por cuotas.-
1) Muestras 1c) Muestra Opinativa o Intencional
no representativa 1d) Muestra causal o por conveniencia.-
(no-probabilísticas) 1e) Muestra Discrecional
1f) Muestra en Bola de nieve

2a) Muestra probabilística simple.-

2b) Muestra probabilística con población
desconocida o infinita.-
2c) Muestra probabilística con población conocida
2) Muestras o finita.-
representativa
2d) Muestreo sistemático
(probabilísticas)
2e) Muestra probabilística estratificada
(conglomerados).-
2f) Muestra probabilística estratificada
(conglomerados) y por racimos (Clusters).-
 2.2. Tipos de muestreo
1a) Muestra accidental.-
1b) Muestra por cuotas.-
1) Muestras 1c) Muestra Opinativa o Intencional
no representativa 1d) Muestra causal o por conveniencia.-
(no-probabilísticas) 1e) Muestra Discrecional
1f) Muestra en Bola de nieve
 2.2. 1a) Muestra accidental
1a) Muestra accidental.- es aquella que se
obtiene sin ningún plan preconcebido,
resultando los (elementos) personas
escogidas producto de circunstancias
fortuitas. Un accidente convierte al individuo
en informante.

 Ejm 1. n=3 enfermos por accidente que

1) Muestras no proveen información a un investigador medico.
representativa
 Ejm 2. n=5 clientes que sin intención adquirieron
(no-probabilísticas)
un producto defectuoso, se convertirán como
La información recopilada
del informante, pese a ser informantes.
muy valiosa, no representa
a toda la población. El error  Ejm 3. n=10 clientes que por accidente reciben
puede ser muy alto. Se usa documentación administrativa errónea, serán
en pequeñas muestras informantes claves para detectar procedimientos
(<50personas). No requiere
cálculos matemáticos para deficientes.
el tamaño de la muestra
(cantidad de informantes).
 2.2. 1b) Muestra por cuotas
1b) Muestra por cuotas.- consiste en
1) Muestras no
representativa
(no-probabilísticas)
La información recopilada
del informante, pese a ser
muy valiosa, no representa
a toda la población. El error
puede ser muy alto. Se usa
en pequeñas muestras
(<50personas). No requiere
cálculos matemáticos para
el tamaño de la muestra
(cantidad de informantes).
1a) Muestra accidental.-
predeterminar la cantidad de personas
(elementos) de cada etapa o cada
categoría que habrán de integrarla,
según la necesidad de la investigación.
Consiste en constituir la muestra a
partir de grupos arbitrarios de
personas que poseen la información
que busca el investigador.
Ejem 1. n=10 pers. 10 individuos en cuotas. 1er
etapa 5 pers y 2da etapa 5 pers.
Ejem 2. n=6. muestra 6 personas en cuotas de 3
varones y 3 mujeres.
 2.2. 1c) Muestra intencional
1) Muestras no
representativa
(no-probabilísticas)
La información recopilada
del informante, pese a ser
muy valiosa, no representa
a toda la población. El error
puede ser muy alto. Se usa
en pequeñas muestras
(<50personas). No requiere
cálculos matemáticos para
el tamaño de la muestra
(cantidad de informantes).
1a) Muestra accidental.-
1b) Muestra por cuotas.-.
1c) Muestra Intencional (opinativa).-
El investigador escoge sus individuos en forma
completamente arbitraria, según las
características que resulten importantes para
la investigación, o de conocerse que poseen
“Información especializada”, “testigos
expertos”. Apropiada para aplicar a la alta
dirección (o gerencia) de la empresa.
Ejm 1. Muestra intencional de 5 (n=5)
Dirigentes Universitarios, seleccionados
en forma arbitraria porque poseen
Información especializada de trámites.
Ejm 2. n=3 gerentes de la empresa,
porque poseen información muy
especializada de las finanzas.
 2.2. 1d) Muestra por conveniencia
1d) Muestra por conveniencia (causal).
1) Muestras no
representativa
(no-probabilísticas)
La información recopilada
del informante, pese a ser
muy valiosa, no representa
a toda la población. El error
puede ser muy alto. Se usa
en pequeñas muestras
(<50personas). No requiere
cálculos matemáticos para
el tamaño de la muestra
(cantidad de informantes).
1a) Muestra accidental.-
1b) Muestra por cuotas.-.
1c) Muestra intencional (opinativa).-
El investigador escoge los individuos para
establecer su muestra, según su comodidad,
facilidad de acceso (competidores), economía,
u otro factor conveniente.
Ejm-1. Muestra por conveniencia
de 5 individuos (n=5) que habitan
en la misma calle y de fácil acceso.
Ejm-2. n=5 clientes que realizan la
compra del producto el mismo día y
resulta económica la consulta.
Ejm-3. n=7 técnicos de otra empresa
que acceden a proveer información
de precios y ventas.
 2.2. 1d) Muestra por conveniencia
1a) Muestra accidental.-
1b) Muestra por cuotas.-.
1c) Muestra intencional (opinativa).-
1d) Muestra por conveniencia

1e) Muestra discrecional.

Los individuos (elementos) son
elegidos en base a su aporte al
1) Muestras no estudio, considerando sus
representativa características peculiares, distintas de
(no-probabilísticas)
La información recopilada
otros individuos (o grupos).
del informante, pese a ser
muy valiosa, no representa
a toda la población. El error Ejm-1. (n=5) Muestra discrecional de 5 clientes usuarios
puede ser muy alto. Se usa frecuentes y tradicinales usuarios del producto o
en pequeñas muestras servicio en estudio.
(<50personas). No requiere
cálculos matemáticos para
Ejm-2. (n=7). 7 clientes con la misma preferencia por la
el tamaño de la muestra
(cantidad de informantes). calidad “A” del servicio y la misma capacidad de
compra (ingresos Bs.2000 a 3000).
 2.2. 1e) Muestra por bola de nieve
1a) Muestra accidental.-
1b) Muestra por cuotas.-.
1c) Muestra intencional (opinativa).-
1d) Muestra por conveniencia
1e) Muestra discrecional

1f) Muestra por bola de nieve.-

1) Muestras no
representativa
(no-probabilísticas)
La información recopilada
del informante, pese a ser
muy valiosa, no representa
a toda la población. El error
puede ser muy alto. Se usa
en pequeñas muestras
(<50personas). No requiere
cálculos matemáticos para
el tamaño de la muestra
(cantidad de informantes).
El investigador de inicio selecciona a un 1er grupo
de individuos, luego de colectar la información,
cada individuo identifica a un nuevo informante,
conformando así un nuevo grupo de informantes.
Así se repite la cadena de informantes hasta
completar la
MUESTRA BOLA DE NIEVE
muestra requerida. 1° grupo
Se usa cuando se 2° grupo n = 15
desconoce quienes
3° grupo
poseen los datos.
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).
 2.2. Ejm muestras NO representativa
1) Muestra accidental
n =5 estudiantes que por accidente seleccionaron una carrera que no es de su gusto, que
no posee las capacidades para ejercerla

2) Muestra por cuotas

n =10 estudiantes (5 hombres y 5 mujeres) que desean cambiarse a una carrera del area de
formación de la nueva carrera AAAAA
MUESTRA
3) Muestra intencional
NO PROBABILISTICA n =3 docentes especializados en el area de formación de la nueva carrera AAAA
(no representativa)
4) Muestra por conveniencia
n =10 estudiantes representantes de centros internos de las carreras de la FINOR porque
convenientemente son los estudiantes con mayores conocimientos de la problemática.

5) Muestra por bola de nieve

n =15. 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).

6) Muestra discrecional
Ejm-1. (n=5) Muestra discrecional de 5 clientes usuarios frecuentes y
tradición les usuarios del producto o servicio en estudio.
 2.2. Ejm muestras NO representativa
Árbol de objetivos

Variables - Indicadores
Definición
Variables Indicadores
Conceptual Operacional 
Ventas es la ciencia de interpretar
características del producto o
servicio, en términos de satisfacción Cantidad vendida
del consumidor y mediante técnicas
Dependiente adecuadas, persuadir y convencer
Ventas de ABC sobre sus beneficios y la
conveniencia de su posesión o
disfrute inmediatos Clientes atendidos
(www.uexternado.edu.co)

Daños mecánicos en la cosecha,
limpieza, transporte, clasificación y Grano con daño mecánico
Independiente-1 manejo del grano en general.
Secado inadecuado o inoportuno.
Nivel de daño Almacenaje inadecuado
(www.fao.org)
Envases dañados
1) Muestra accidental
Cantidad de dinero que se entrega
Independiente-2
n =5 estudiantes que por accidente seleccionaron una carrera que no es de su gusto, que
Precio de venta Estrategia precio (al contado, al crédito)
para pagar por un producto, o saldar
Pagos una deuda (www.billin.net) Tiempo de pago Tiempo de pago (#días, meses. (Mora)
La comunicación es el intercambio
de información que se produce entre Cantidad de oferta # de comunicaciones (por día, por mes)
no posee las capacidades para ejercerla
Independiente-3 dos o más individuos con el objetivo
Comunicación de aportar información y recibirla
Indice de audiencia efectiva # escuchas/vistas (nunca, rara, siempre)

2) Muestra por cuotas

(www.economipedia.com)

n =10 estudiantes (5 hombres y 5 mujeres) que desean cambiarse a una carrera del area de
formación de la nueva carrera AAAAA
MUESTRA
3) Muestra intencional
NO PROBABILISTICA n =3 docentes especializados en el area de formación de la nueva carrera AAAA
(no representativa)
4) Muestra por conveniencia
n =10 estudiantes representantes de centros internos de las carreras de la FINOR porque
convenientemente son los estudiantes con mayores conocimientos de la problemática.

5) Muestra por bola de nieve

n =15. 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).

6) Muestra discrecional
Ejm-1. (n=5) Muestra discrecional de 5 clientes usuarios frecuentes y
tradición les usuarios del producto o servicio en estudio.
 P ERFIL (P ROYECTO) DE INVES TIGACIÓN
1. Introducción
2. Planteamiento del problema
9. Diseño metodológico
9.8 Población y muestra
Según los objetivos que se persiguen y para fines de colecta
de datos de interés del presente trabajo de investigación, se
aplicará el muestreo no representativo, para recolectar los
siguientes datos y tipos de informantes:
• Universo (U).- Es la comunidad de estudiantes de
Montero (U=20.000 estudiantes).
Árbol de objetivos • Población (N).- Interesa al estudio los estudiantes
universitarios de FINOR (N=12.000 estudiantes).
• Muestra no representativa (n).- según el siguiente
Variables - Indicadores
Variables
Definición
Conceptual Operacional 
Ventas es la ciencia de interpretar
características del producto o
servicio, en términos de satisfacción
del consumidor y mediante técnicas
Cantidad vendida
Indicadores
detalle: 1) Muestra accidental
n =5 estudiantes que por accidente seleccionaron una carrera que no es de su gusto, que
Dependiente
Ventas de ABC
adecuadas, persuadir y convencer
sobre sus beneficios y la
conveniencia de su posesión o
no posee las capacidades para ejercerla
disfrute inmediatos Clientes atendidos
(www.uexternado.edu.co)

Daños mecánicos en la cosecha,

Independiente-1
Nivel de daño
limpieza, transporte, clasificación y
manejo del grano en general.
Secado inadecuado o inoportuno.
Almacenaje inadecuado
Grano con daño mecánico

Envases dañados
2) Muestra por cuotas
n =10 estudiantes (5 hombres y 5 mujeres) que desean cambiarse a una carrera del area de
(www.fao.org)

Cantidad de dinero que se entrega

Independiente-2 para pagar por un producto, o saldar
Precio de venta Estrategia precio (al contado, al crédito)

Pagos
formación de la nueva carrera AAAAA
una deuda (www.billin.net) Tiempo de pago Tiempo de pago (#días, meses. (Mora)
La comunicación es el intercambio
de información que se produce entre Cantidad de oferta # de comunicaciones (por día, por mes)

MUESTRA
Independiente-3 dos o más individuos con el objetivo
Comunicación de aportar información y recibirla
Indice de audiencia efectiva # escuchas/vistas (nunca, rara, siempre)
(www.economipedia.com)

3) Muestra intencional
NO PROBABILISTICA n =3 docentes especializados en el area de formación de la nueva carrera AAAA
(no representativa)
4) Muestra por conveniencia
n =10 estudiantes representantes de centros internos de las carreras de la FINOR porque
convenientemente son los estudiantes con mayores conocimientos de la problemática.

5) Muestra por bola de nieve

n =15. 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).

6) Muestra discrecional
Ejm-1. (n=5) Muestra discrecional de 5 clientes usuarios frecuentes y
tradición les usuarios del producto o servicio en estudio.
 UNIVERSIDAD AUTÓNOMA
GABRIEL RENÉ MORENO

TEMA 4: El muestreo
CARRERAS: Ingeniería Comercial y Contaduría Pública

ASIGNATURAS: INV-150 Métodos de investigación (Cont.Pub)

M.Sc. Elías Mercado Leigue

eliasmercado@uagrm.edu.bo
73139770
Montero – Bolivia, 2022
 1.3. Muestra (n)

Universo

Población Muestra

Muestra (n) = Son los individuos seleccionados para obtener la información

(informantes). La técnica de selección es el muestreo.
Ejem. U= 200000 hab. N=15000 estudiantes. n=145 individuos
 2.2.2 Tipos de muestreo Representativo
2) Muestras
representativa
(probabilísticas)
(“aleatoria”). todo elemento de
la población tiene una
determinada probabilidad
matemática (fórmula) de
integrar la muestra. La
información colectada del
informante es representativa a
toda la población .
Muestra
El tamaño de las muestras probabilísticas deben:
1. los elementos muestrales tendrán valores muy
parecidos a los de la población,
2. las mediciones en la muestra nos darán
estimados precisos de la población.
3. Desde la muestra hacer generalizaciones en la
población.
 2.2.2 Tipos de muestreo Representativo
2) Muestras
representativa
(probabilísticas)
(“aleatoria”). todo elemento de
la población tiene una
determinada probabilidad
matemática (fórmula) de
integrar la muestra. La
información colectada del
informante es representativa a
toda la población .
2a) Muestra probabilística simple.- se sortean al azar el
total de unidades que deseamos que entren en la muestra.
2b) Muestra probabilística con población desconocida
o infinita.- estudia características del universo con una
muestra obtenida de una población desconocida.
2c) Muestra probabilística con población conocida o
finita.- estudia características del universo con una
muestra obtenida de una población conocida o finita.
2d) Muestreo sistemático.- los elementos se seleccionan
mediante un intervalo fijo, tomando el primer elemento al
azar y aplicando el coeficiente de elevación.
2e) Muestra probabilística estratificada
(conglomerados).- Subgrupo en el que la población se
divide en segmentos y se selecciona una muestra por cada
segmento.
2f) Muestra probabilística estratificada
(conglomerados) y por racimos (Clusters).-
estudia subdivisiones con características similares a las del
universo total.
 2. Resumen muestra probabilística
2a) Muestra probabilística simple.- se sortean al
azar el total de unidades que deseamos que entren
en la muestra.

2b) Muestra probabilística con población Z2 p q

desconocida o infinita.- La muestra (n) cuando la n = 2
Población (N) es desconocida y >100.000 individuos,
e

1c) Muestra probabilística 2d) Muestreo sistemático.-

con población conocida a intervalo fijo, usa la lista
NOMINA DE LA POBLACIÓN (N)

2
NOMINA DE LA POBLACIÓN (N)

Z Npq
1 ALBA MEDRANO RODRIGO
1 ALBA MEDRANO RODRIGO
2 ANTELO JUSTINIANO DIANA CAROLINA
2 ANTELO JUSTINIANO DIANA CAROLINA
3 ANTELO NEGRETE YIYI FERNANDA

n =
3 ANTELO NEGRETE YIYI FERNANDA 4 ARAUZ VALVERDE DAVID FERNANDO
4 ARAUZ VALVERDE DAVID FERNANDO
5 AVALOS RAMOS EFRAIN
5 AVALOS RAMOS EFRAIN
6 BARBA CALDERON JANELLE

NO
6 BARBA CALDERON JANELLE

(N-1) e2 + Z2 p q
7 BARRIENTOS ANDACABA WUALBERTO

Usa la lista
7 BARRIENTOS ANDACABA WUALBERTO
8 CARDENAS ONO SANTA KARINA
8 CARDENAS ONO SANTA KARINA
9 CAYOJA CAMARGO VANESSA
9 CAYOJA CAMARGO VANESSA
10 CHALLGUA BRAVO ROSSY GABRIELA

Usa la lista
10 CHALLGUA BRAVO ROSSY GABRIELA
11 CHIPANA RAMOS ANA
11 CHIPANA RAMOS ANA
12 CORREA CHOQUE JHONNY
12 CORREA CHOQUE JHONNY
13 CRUZ AVALOS IVER
13 CRUZ AVALOS IVER
14 DURY VELARDE CAROLINA
14 DURY VELARDE CAROLINA
15 FLORES ORTEGA JONATHAN
15 FLORES ORTEGA JONATHAN
16 GALARZA VILLARROEL CRISTIAN ANDY
16 GALARZA VILLARROEL CRISTIAN ANDY
17 GIRA CRUZ ROSMERI
17 GIRA CRUZ ROSMERI
18 GIRON TEJERINA NILSA
18 GIRON TEJERINA NILSA
19 GONSALES CONDORI NORMA
19 GONSALES CONDORI NORMA
20 GONZALES FLORES OMAR
20 GONZALES FLORES OMAR

2e) Muestra probabilística 2f) Muestra por racimos.-

estratificada.-
n'
n =
1 + n'
N
 2a). Muestra probabilística simple
2a) Muestra probabilística simple.- se sortean al azar el
total de unidades que deseamos que entren en la muestra.

Universo

2) Muestras
representativa
(probabilísticas)
(“aleatoria”). todo elemento de
Población
la población tiene una
determinada probabilidad
matemática (fórmula) de Muestra (n)
integrar la muestra. La Ejemplo
información colectada del
Muestra (n) manejable para la investigación son 100
informante es representativa a
individuos seleccionados al azar de entre la población (N)
toda la población .
n = 100 individuos
 2b). Muestra probabilística
con población desconocida (o infinita)
2a) Muestra probabilística simple.-
2b) Muestra probabilística con
Universo

población desconocida o N=?

infinita.- La muestra (n) cuando la Población
(N) es desconocida y >100.000 individuos, se calcula Población

mediante la siguiente fórmula: 2 2

Z σ Z2 p q confianza z
n = n =
e2 e2 99% 2,57
A través de 98% 2,29
Si se conoce
proporciones de la 97% 2,17
la varianza
población 96% 2,05
95% 1,96
n = muestra 94% 1,88
Z2 = nivel de confianza elegido a 95 % al que le corresponde 93%
92%
1,81
1,79
un valor de 1,96 de unidades de desviación estándar. 91% 1,75
σ 2: varianza poblacional 90% 1,64

e= error máximo (máximo 5%)

p= proporción de la población que posee (éxito) las características de interés para
la investigación (si no se conoce la proporción es 50%)
q= proporción de la población que no posee (fracaso) las características de interés
(si no se conoce la proporción es 50%)
Z2 p q (1,96)2 x (0,5) x (0,5) 0,9604
n = n = n = 384 individuos
e2 (0,05) 2
0,003
2b). Muestra probabilística con población conocida
2a) Muestra probabilística simple.-
2b) Muestra probabilística con población desconocida o infinita Universo

1c) Muestra probabilística con N = 12345

población conocida o (existe lista)

finita.- La muestra (n) cuando la Población

Población

(N) es conocida y <100.000 individuos, se confianza z

calcula mediante la siguiente fórmula : 99% 2,57
98% 2,29
Z2 N p q 97% 2,17
n = 96% 2,05
(N-1) e2 + Z2 p q 95% 1,96
n = muestra 94% 1,88
Z2 = nivel de confianza elegido a 95 % al que le corresponde 93%
92%
1,81
1,79
un valor de 1,96 de unidades de desviación estándar. 91% 1,75
e= error máximo (máximo 5%) 90% 1,64

p= proporción de la población que posee (éxito) las características de interés para la

investigación (si no se conoce la proporción es 50%)
q= proporción de la población que no posee (fracaso) las características de interés (si
no se conoce la proporción es 50%)
N = Población conocida (Ejemplo: Población de la FINOR = 4500 estudiantes).
Z2 N p q (1,96)2 x 4500 x (0,5) x (0,5)
n= n= n = 354 individuos
(N-1) e2 + Z2 p q 2 2
( (4500-1) x (0,05) )+((1,96) x 0,5 x 0,5)
2d). Muestreo sistemático con población conocida
2d) Muestreo sistemático.- los elementos se seleccionan mediante un
intervalo fijo, tomando el primer elemento al azar y aplicando el coeficiente de
elevación. Ejm. Muestra (n) sistemática a partir de una lista de 1000 personas
NOMINA DE LA POBLACIÓN (N)
1 ALBA MEDRANO RODRIGO 21 GOZALES HINOJOSA MARISOL 40 MOLLO MAMANI MARIA NIEVES
2 ANTELO JUSTINIANO DIANA CAROLINA 22 GRIMALDES CESPEDES MARIA GUADALUPE 41 MONTANO HUARACHI BLANCA
3 ANTELO NEGRETE YIYI FERNANDA 23 GUTIERREZ APARICIO RAUL 42 MORENO BURGOS YAKELINE
4 ARAUZ VALVERDE DAVID FERNANDO 24 IBARRA VARGAS ERICKA FIORELA 43 MURILLO ORTIZ LIGIA ELENA
5 AVALOS RAMOS EFRAIN 25 IBARRA VARGAS ESCARLA PAOLA 44 NAVIA BURGOS ANA KAREN
6 BARBA CALDERON JANELLE 26 JUSTINIANO LOPEZ JORGE HUMBERTO 45 NAZARIO ABREGO LUIS FERNANDO
7 BARRIENTOS ANDACABA WUALBERTO 27 LOPEZ CHAVEZ LEYDDI 46 ORELLANA TORREZ FABIOLA
47 ORTIZ CHAVEZ SHIRLEY NAHIR
8 CARDENAS ONO SANTA KARINA 28 LOPEZ MAMANI MARIA JUAQUINA
48 PAZ LOLA JOSE DAVID
9 CAYOJA CAMARGO VANESSA 29 LUIZAGA FERRUFINO ROSENDA
49 PENA ARROYO VERA LUCIA
10 CHALLGUA BRAVO ROSSY GABRIELA 30 MAMANI FLORES JOCELYN
50 REQUE ROSADO ALEJANDRA
11 CHIPANA RAMOS ANA 31 MATURANO CANAZA ELDI THALIA
51 ROCA ALBA MARIA FERNANDA
12 CORREA CHOQUE JHONNY 32 MEDINA HURTADO MARIA CECILIA
52 RODRIGUEZ RODRIGUEZ MARIA JUAQUINA
13 CRUZ AVALOS IVER 33 MEJIA MAMANI GUISELA 53 ROMERO RODRIGUEZ LENY SANDIVEL
14 DURY VELARDE CAROLINA 34 MENDEZ ANTELO DENICE 54 SEGOVIA FLORES REINALDA
15 FLORES ORTEGA JONATHAN 35 MENDOZA CARO DAYANA KELLY 55 SOLARES HEREDIA RICHARD
16 GALARZA VILLARROEL CRISTIAN ANDY 36 MERCADO ALEJANDRO MARIOLY 100 ---
17 GIRA CRUZ ROSMERI 37 MERCADO MEDINA ANYELO 200 ---
18 GIRON TEJERINA NILSA 38 MIRANDA JUSTINIANO PAULA SELENA 300 ---
19 GONSALES CONDORI NORMA 39 MOGRO CUELLAR SEBASTIAN 500 ---
Paso 1: Calcular Ce
20 GONZALES FLORES OMAR
Paso 2: Elegir un número
40 MOLLO MAMANI MARIA NIEVES Paso 3: Determinación de elementos muestra
1000 ---

CASO: nn dentro del techo de Ce

Universo (U) = 100000 Hab
Población (N)= 1000 Hogar
Muestra (n) = 100 pers
Coeficiente elevación (Ce) = ? # LISTA
Elegido elemento n1 1° individuo muestra. n1=Ce 10

N
n1 = Ce
Ce = n2=n1+Ce n2 2° individuo muestra. Elemento N° 20
n
n3=n2+Ce n3 3° individuo muestra. Elemento N° 30
Ce = 1000/100 n4=n3+Ce n4 4° individuo muestra. Elemento N° 40
Ce = 10 n5=n4+Ce n5 5° individuo muestra. Elemento N° 50
 2e). Muestra probabilística estratificada
2e) Muestra probabilística estratificada (Conglomerados).-
Subgrupo en el que la población se divide en segmentos y se selecciona una muestra
por cada segmento.

Estrato 1 Sub-muestra 1

Estrato 2 Sub-muestra 2

Estrato 3 Sub-muestra 3

Estrato 4
Sub-muestra 4
Población Muestra
 2e). Muestra probabilística estratificada
2e) Muestra probabilística estratificada
(Conglomerados).-
Caso 2: Muestreo en escenarios de
población grande (>5000)
Ejm. Muestreo estudiantes FINOR
CASO: FINOR ESTRATOS POBLACIÓN FRACCIÓN MUESTRA (n )
DATOS: (Carreras) (N) CONSTANTE (f)
U 200000 Bachilleres Norte Cruceño 1 Ing. Comercial 900 900 x 0,0310078 = 28
N 4500 Estudiantes FINOR 2 Contaduría Pública 800 800 x 0,0310078 = 25
p (90%) 0,9 Probabilidad 3 Ing. Industrial 500 f =n / N 16
se(4,5%) 0,045 Error estandar 4 Ing. Petrolera 350 11
s2 ? Varianza de la muestra 5 Medicina 300 9
0,0310078
V2 ? Varianza de la población 6 Enfermería 200 6
n' ? Muestra preliminar 7 Derecho 550 17
n ? Muestra 8 Veterinaria 250 8
9 Agronomía 200 6
10 Cs. Educación 450 14
TOTAL 4500 140

s2 s 2 = p (1 – p ) 0,9 (1 - 0,9) 0,09

n' = n' = n' = 144,0
0,025 * 0,025 0,000625
V2
V 2 = se 2

n' 144 144,0

n = n= n = 140
1 + n' 1 + (144/4500) 1,032
N
 2f). Muestra probabilística por racimos
1f) Muestra probabilística por racimos (Clusters).
Es el nivel de muestreo de mayor sensibilidad. Es el procedimiento de muestreo en divisiones de la población
(Estratos) y subdivisiones (Racimos) de cada estrato según características similares de los individuos .
Por tanto se requiere calcular sub-muestras para cada Estrato y Racimo.
Racimo 1 Racimo 2

Estrato 1

Estrato 2

Estrato 3

Estrato 4
Población
Muestra
 2f). Muestra probabilística por racimos

Información:
Delimitamos una población para un estudio de demanda de servicios médicos especializados,
en el cual consideramos como “informantes claves” a todos pacientes que han recibido
servicios médicos en sus diferentes especialidades . Con estas características se precisó que
la población era de N = 1176 pacientes. ¿Cuál es entonces el número de pacientes (n) que se
debe entrevistar, considerando sus especialidades y diferencias de género, para tener un error
estándar menor de 1.5% (0.015), y dado que probabilidad de confianza es del 90% (0.9):

Paso 1: Determinación de datos

N = tamaño de la población de 1176 médicos.
pacientes
ȳ = Valor promedio de una variable = 1 médico.
paciente
se = error estándar = 0.015 = (1.5%) determinado por nosotros (el investigador).
2 2
V = varianza de la población al cuadrado. Su definición se : Cuadrado del error estándar. = ?
2
s = varianza de la muestra expresada como la probabilidad de ocurrencia de ȳ = ?
p = 0.9 = (90%) determinado por nosotros (el investigador).
n’ = tamaño de la muestra sin ajustar = ?
n'
n = tamaño de la muestra = ? n = n'
1+
N
 2f). Muestra probabilística por racimos
1e) Muestra probabilística
por racimos (Clusters).

Ejemplo: Muestreo de pacientes del Hospital ABC

Racimos.

Estratos N°
N°
ESTRATOS
ESTRATO
(Especialidad) Masculino
RACIMO (género) Cantidad de
Femenino Total
personas
(Especialidad)
1 Ginecólogía 30 23 (a)53
21 Pediatría
Ginecólogía 44 65 10953
32 Cardiología
Pediatría 61 154 215
109
43 Cardiología
Epidemiología 29 58 215
87
54 Epidemiología
Radiología 31 67 9887
65 Radiología
Otorrinolaringología 34 76 11098
6 Otorrinolaringología 110
7 Fisioterapia 18 63 81
7 Fisioterapia 81
88 Traumatología
Traumatología 71 150 221
221
99 Ortopedia
Ortopedia 61 90 151
151
10
10 Urología
Urología 16 35 5151
Total
Total 395 781 N = 1176
1176
 2f). Muestra probabilística por racimos

Cálculo de la muestra

?
ESTRATOS RACIMO (género) Muestra
N°
(Especialidad) Masculino Femenino Total Masculino Femenino Total
1 Ginecólogía 30 23 53
2 Pediatría 44 65 109
3 Cardiología 61 154 215
4 Epidemiología 29 58 87
5 Radiología 31 67 98
6 Otorrinolaringología 34 76 110
7 Fisioterapia 18 63 81
8 Traumatología 71 150 221
9 Ortopedia 61 90 151
10 Urología 16 35 51
Total 395 781 1176
 2f). Muestra probabilística por racimos
Paso 2: Cálculo del tamaño de la “muestra aleatoria simple”:

Datos:

Sustituyendo tenemos

0.9(1- 0.9) = 0.09 0.09

s2 s 2 = p (1 – p ) = 400
n' =
V2
V 2 = se 2 V 2 = (0.015) 2 = 0.000225 0.000225

n' 400
n = = = 298,5 n = 298 casos
1 + (400/1176)
1 + n'
N "Muestra aleatoria simple"

Es decir, que para la investigación necesitamos una muestra de 298 pacientes

 2f). Muestra probabilística por racimos
Paso 2. Cálculo de la Muestra aleatoria simple
n' 400
n = = = 298,5 n = 298 casos
1 + (400/1176)
1 + n'
N "Muestra aleatoria simple"

ESTRATOS RACIMO (género) Muestra

N°
(Especialidad) Masculino Femenino Total Masculino Femenino Total
1 Ginecólogía 30 23 53
2 Pediatría 44 65 109
3 Cardiología 61 154 215
4 Epidemiología 29 58 87
5 Radiología 31 67 98
6 Otorrinolaringología 34 76 110
7 Fisioterapia 18 63 81
8 Traumatología 71 150 221
9 Ortopedia 61 90 151
10 Urología 16 35 51
Total 395 781 1176 298
 2f). Muestra probabilística por racimos
Paso 3: Cálculo del tamaño de la “muestra probabilística estratificada”
Se busca la fracción constante (𝒇𝒉) de la muestra (nh) y la población (Nh).
𝑛ℎ 𝑛 298
= 𝑘𝑠ℎ esto es: entonces: (f𝑓ℎ
𝑓ℎ =Fórmula: h)== n /N
sustituyendo: 𝑓ℎ = = 0.2534
𝑁ℎ 𝑁 1176

La Fracción
constante
ESTRATOS Racimos (Clusters ) Fracción
N°
(Especialidad) Masculino Femenino Total constante es una sola
1 Ginecólogía 30 23 53
2 Pediatría 44 65 109
3 Cardiología 61 154 215
4 Epidemiología 29 58 87
5 Radiología 31 67 98
0,2534
6 Otorrinolaringología 34 76 110
7 Fisioterapia 18 63 81
8 Traumatología 71 150 221
9 Ortopedia 61 90 151
10 Urología 16 35 51
Total 395 781 1176
 2f). Muestra probabilística por racimos
Paso 3: Cálculo del tamaño de la “muestra probabilística estratificada”
Se busca la fracción constante (𝒇𝒉) de la muestra (nh) y la población (Nh).
𝑛ℎ 𝑛 298
= 𝑘𝑠ℎ esto es: entonces: (f𝑓ℎ
𝑓ℎ =Fórmula: h)== n /N
sustituyendo: 𝑓ℎ = = 0.2534
𝑁ℎ 𝑁 1176

A partir de la Fracción constante se obtiene la muestra para cada estrato:

nh = (Nh ) x (fh ) nh = 53 x 0,2534 nh = 13,4 nh = 13 “Muestra del
estrato 1”.

ESTRATOS Racimos (Clusters ) Fracción Muestras Racimos (Clusters)

N°
(Especialidad) Masculino Femenino Total constante Masculino Femenino Total
1 Ginecólogía 30 23 53 13
2 Pediatría 44 65 109 28
3 Cardiología 61 154 215 54
4 Epidemiología 29 58 87 22
5 Radiología 31 67 98 25
0,2534
6 Otorrinolaringología 34 76 110 28
7 Fisioterapia 18 63 81 21
8 Traumatología 71 150 221 56
9 Ortopedia 61 90 151 38
10 Urología 16 35 51 13
Total 395 781 1176 298
 2f). Muestra probabilística por racimos
Paso 4: Cálculo de la muestra por racimos (clúster)
A partir de la Fracción Constante (fh) se obtiene la muestra para cada racimo
dentro
𝑛 de cada estrato 𝑛ℎ 𝑛 298
entonces: (f𝑓ℎ
Σ𝑓ℎ = 𝑁 = 𝑘𝑠ℎ esto es: 𝑓ℎ =Fórmula: h) =𝑁 n /N
= sustituyendo : 𝑓ℎ = = 0.2534
𝑁ℎ 1176

nh = (Nh ) x (fh ) nh = 53
30 x 0,2534 8.0
nh = 13,4 8 “Racimo M
nh = 13

ESTRATOS RACIMO (género) Fracción Muestras Racimos (Clusters)

N°
(Especialidad) Masculino Femenino Total constante Masculino Femenino Total
1 Ginecólogía 30 23 53 8 5 13
2 Pediatría 44 65 109 28
3 Cardiología 61 154 215 54
4 Epidemiología 29 58 87 22
5 Radiología 31 67 98 25
0,2534
6 Otorrinolaringología 34 76 110 28
7 Fisioterapia 18 63 81 21
8 Traumatología 71 150 221 56
9 Ortopedia 61 90 151 38
10 Urología 16 35 51 13
Total 395 781 1176 298
 2f). Muestra probabilística por racimos
Paso 4: Cálculo de la muestra por racimos (clúster)
A partir de la Fracción Constante (fh) se obtiene la muestra para cada racimo
Σ𝑓ℎdentro
= = de 𝑘𝑠ℎcada estrato
𝑛 𝑛ℎ 𝑛 298
esto es: 𝑓ℎ = entonces: (f𝑓ℎ
Fórmula: h)== n /N
sustituyendo: 𝑓ℎ = = 0.2534
𝑁 𝑁ℎ 𝑁 1176

nh = (Nh ) x (fh ) nh = 53
30 x 0,2534 8.0
nh = 13,4 8 “Racimo M
nh = 13

nh = (Nh ) x (fh ) nh = 53
23 x 0,2534 5.0
nh = 13,4 5 “Racimo F
nh = 13

ESTRATOS RACIMO (género) Fracción Muestras Racimos (Clusters)

N°
(Especialidad) Masculino Femenino Total constante Masculino Femenino Total
1 Ginecólogía 30 23 53 8 5 13
2 Pediatría 44 65 109 28
3 Cardiología 61 154 215 54
4 Epidemiología 29 58 87 22
5 Radiología 31 67 98 25
0,2534
6 Otorrinolaringología 34 76 110 28
7 Fisioterapia 18 63 81 21
8 Traumatología 71 150 221 56
9 Ortopedia 61 90 151 38
10 Urología 16 35 51 13
Total 395 781 1176 298
 2f). Muestra probabilística por racimos
Paso 4: Cálculo de la muestra por racimos (clúster)
A partir de la Fracción Constante (fh) se obtiene la muestra para cada racimo
Σ𝑓ℎdentro
= = de 𝑘𝑠ℎcada estrato
𝑛 𝑛ℎ 𝑛 298
esto es: 𝑓ℎ = entonces: (f𝑓ℎ
Fórmula: h)== n /N
sustituyendo: 𝑓ℎ = = 0.2534
𝑁 𝑁ℎ 𝑁 1176

nh = (Nh ) x (fh ) nh = 53
44 x 0,2534 11.1
nh = 13,4 nh = 11
13 “Racimo M

nh = (Nh ) x (fh ) nh = 53
65 x 0,2534 nh = 17.0
13,4 nh = 17
13 “Racimo F

ESTRATOS RACIMO (género) Fracción Muestras Racimos (Clusters)

N°
(Especialidad) Masculino Femenino Total constante Masculino Femenino Total
1 Ginecólogía 30 23 53 8 5 13
2 Pediatría 44 65 109 11 17 28
3 Cardiología 61 154 215 54
4 Epidemiología 29 58 87 22
5 Radiología 31 67 98 25
0,2534
6 Otorrinolaringología 34 76 110 28
7 Fisioterapia 18 63 81 21
8 Traumatología 71 150 221 56
9 Ortopedia 61 90 151 38
10 Urología 16 35 51 13
Total 395 781 1176 298
 2f). Muestra probabilística por racimos
Paso 4: Cálculo de la muestra por racimos (clúster)
Interpretando los resultado del cálculo de la muestra

Muestra del Estrato

Cardiología y racimo
Femenino a
ESTRATOS RACIMO (género) Muestras Racimos (Clusters)
N° entrevistar,
(Especialidad) Masculino Femenino Total Masculino Femenino Total encuestar
1 Ginecólogía 30 23 53 8 5 13
2 Pediatría 44 65 109 11 17 28 Muestra del Estrato
3 Cardiología 61 154 215 15 39 54 “Radiología” a
4 Epidemiología 29 58 87 7 15 22 entrevistar,
5 Radiología 31 67 98 8 17 25 encuestar
6 Otorrinolaringología 34 76 110 9 19 28
7 Fisioterapia 18 63 81 5 16 21
8 Traumatología 71 150 221 18 38 56 Muestra total de
9 Ortopedia 61 90 151 15 23 38 pacientes a
10 Urología 16 35 51 4 9 13 entrevistar,
Total 395 781 1176 100 198 298 encuestar
Médicos del Racimo
“Masculino” a entrevistar,
encuestar
 P ERFIL (P ROYECTO) DE INVES TIGACIÓN
1. Introducción
2. Planteamiento del problema
9. Diseño metodológico
9.8 Población y muestra
Según los objetivos que se persiguen y para fines de colecta de
datos de interés del presente trabajo de investigación, se aplicará el
muestreo no representativo, para recolectar los siguientes datos y
tipos de informantes:
• Universo (U).- Es la comunidad de estudiantes de Montero
(U=20.000 estudiantes).
• Población (N).- Interesa al estudio los estudiantes universitarios
Árbol de objetivos de FINOR (N=12.000 estudiantes).
• Muestra no representativa (n).- ……. (ver ejemplo anterior)
• Muestra representativa (n).- según el siguiente detalle:
Variables - Indicadores
Variables
Definición
Conceptual Operacional 
Indicadores
CALCULO DE MUESTRA CON ESTRATO Y RACIMO
MARCO MUESTRAL POBLACION (N) MUESTRA (n )
Ventas es la ciencia de interpretar
características del producto o
servicio, en términos de satisfacción Cantidad vendida
del consumidor y mediante técnicas
Dependiente adecuadas, persuadir y convencer
Ventas de ABC sobre sus beneficios y la
conveniencia de su posesión o
disfrute inmediatos Clientes atendidos
ESTRATOS RACIMO (genero) Fracción RACIMO (genero)
(www.uexternado.edu.co)

Daños mecánicos en la cosecha,
limpieza, transporte, clasificación y Grano con daño mecánico
(Areas estudio) masculino femenino Total constante (f) masculino femeni no Total
Independiente-1 manejo del grano en general.

Nivel de daño
Secado inadecuado o inoportuno.
Almacenaje inadecuado
(www.fao.org)
Envases dañados 40% 60% 40% 60%
Cantidad de dinero que se entrega
Independiente-2 Precio de venta Estrategia precio (al contado, al crédito)

Pagos
para pagar por un producto, o saldar
una deuda (www.billin.net)
La comunicación es el intercambio
Tiempo de pago Tiempo de pago (#días, meses. (Mora) Economica 45% 2160 3240 5400 26 38 64
CASO: FINOR
de información que se produce entre Cantidad de oferta # de comunicaciones (por día, por mes)
Independiente-3
Comunicación
dos o más individuos con el objetivo
de aportar información y recibirla
(www.economipedia.com) Indice de audiencia efectiva # escuchas/vistas (nunca, rara, siempre)
Social 20% 960 1440 2400 11 17 28
DATOS: Salud 10% 480 720 1200 6 9 14
U 50000 Bachilleres Norte Cruceño Tecno 25% 1200 1800 3000 14 21 36
0,01186
N 12000 Estudiantes FINOR
p (90%) 0,9 Probabilidad
se(2,5%) 0,025 Error estandar
n' ? Muestra preliminar

n ? Muestra TOTAL 4800 7200 12000 57 85 142

2
s2 s = p (1 – p )
n' = n' = n' = 144 Individuos
V2
V2 = se2

n = 142 Individuos
 2.5. Ventajas del muestreo

• 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.