Documente Academic
Documente Profesional
Documente Cultură
a- ¿Qué es muestreo?
Termino claves:
Universo o población: Es el total de individuos que deseo estudiar o caracterizar. En el
ejemplo anterior es la población de México, pero podemos pensar en todo tipo de universos,
más generales y más concretos. Por ejemplo, si quiero saber cuanto fuman de media los
fumadores de México, el universo en este caso serían "los fumadores de México".
Muestra: Es el conjunto de individuos del universo que selecciono para estudiarlos, por
ejemplo a través de una encuesta.
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.
c- Tamaño de 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.
Pero el tamaño de la muestra tiene una propiedad fundamental que explica porqué 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.
Ejemplo: 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 un
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.
d- Ventajas e inconvenientes:
2- Marco muestral
Vimos qué es el muestreo y qué ventajas nos ofrece cuando queremos estudiar una población.
Hoy veremos las dos grandes famílias de técnicas de muestreo existentes. Para ello,
empezaremos definiendo el concepto de marco muestral.
Un marco muestral es una lista de elementos que componen el universo que queremos estudiar
y de la cuál se extrae la muestra. Estos elementos a investigar pueden ser individuos, pero
también pueden ser hogares, instituciones y cualquier otra cosa susceptible de ser investigada.
Cada uno de estos elementos presentes en el marco muestral se conoce como unidades
muestrales.
Ejemplo. Supongamos que queremos medir la satisfacción de los clientes de una empresa.
Para poder generar un marco muestral, podríamos acceder al sistema informático de la
empresa y extraer una lista de todas las personas que han contratado un producto en el último
año. Cada una de las personas de esa lista serían unidades muestrales. Seleccionando un
conjunto de estos clientes, obtendría una muestra.
3- Muestreo Probabilístico
La definición anterior nos lleva a concluir que sólo podemos hacer muestreo probabilístico si
dispongo de un marco muestral. El censo de un país, el conjunto de direcciones de hogares en
una población o la lista de clientes de una empresa, son ejemplos de marcos muestrales que
hacen posible un muestreo probabilístico. En cada uno de estos casos, el universo a estudiar es
diferente: habitantes de un país, hogares de una población y clientes de una empresa,
respectivamente.
Una vez tengo un marco muestral, la forma exacta que empleo para seleccionar mi muestra
define las diferentes técnicas de muestreo probabilístico: Muestreo aleatorio simple, muestreo
sistemático, muestreo estratificado, muestreo por conglomerados, muestreo desproporcionado
(estas se van a ver en la sgte clase).
4- Muestreo no probabilístico
Sin embargo, no es sencillo cumplir con los requisitos impuestos por el muestreo
probabilístico:
(1) Disponer de un marco muestral es algo relativamente poco habitual en estudios de
mercado.
(2) Lograr que todos los individuos de la población tengan una probabilidad no nula de ser
seleccionados es un requisito igualmente exigente, más aún conocer la probabilidad de
inclusión exacta de cada unidad muestral. Todos los individuos que no pueden ser
seleccionados en una muestra se suelen referir como unidades fuera de cobertura.
Por todas estas razones, así como por razones de coste, los investigadores recurren con
frecuencia a otras técnicas de muestreo, agrupadas dentro de lo que se conoce como muestreo
no probabilístico. En estas técnicas alternativas, es habitual seleccionar elementos para la
muestra basándose en hipótesis relativas a la población de interés, lo que se conoce como
criterios de selección. Por ejemplo, seleccionar una muestra buscando individuos por la calle,
tratando de que la mitad sean hombres y la mitad mujeres (coincidiendo con la distribución
que se supone en la población) sería un criterio de muestreo no probabilísitico.
En estos casos, debido a que la selección de las unidades de la muestra no es aleatorio, cuando
hablamos de muestreo no probabilístico no deberíamos hablar de estimaciones de error. Dicho
de otra forma, una muestra no probabilística nos informa de cómo es un universo pero no nos
permite saber con qué precisión: no podemos establecer unos márgenes de error y unos niveles
de confianza.
Algunas técnicas de muestreo de este tipo son: el muestreo por juicio, por conveniencia,
muestreo secuencial, muestreo por cuotas, muestreo discrecional y muestreo por bola de nieve.
Diferencias
Ejemplo para identificar cual es cual….
Definir los tipos más utilizados de los muestreos, el simple y el por juicio:
Es un muestreo aleat. Probabilístico, donde la muestra es seleccionada de manera que cada individuo
tiene las mismas posibilidades de ser elegido, es la técnica mas básica y conforma a la base de las
demás técnicas de muestreo.
(no es necesario decir esto, es por si pregunta la sally y tenemos la respuesta xD)
Procedimiento:
Activicades: (aplicar un par de ejercicios para que entiendan el concepto de probabilístico, tu elígelos)
Para ello basta que teclees en el control correspondiente el tamaño de la muestra. Cada
vez que pulses la tecla Entrar en el recuadro aparecerá el número de un individuo
seleccionado.
Utiliza la escena anterior para realizar las actividades siguientes, anota los resultados en
el cuaderno de trabajo.
Por ejemplo: supongamos que queremos conocer la opinión de los estudiantes universitarios
chilenos acerca de la política. Una muestra probabilística requeriría acceder a un censo del
total de estudiantes de todas las universidades chilenas con el fin de seleccionar al azar un
grupo de individuos y encuestarlos. Una muestra por conveniencia podría consistir en
dirigirme a 3 universidades cercanas, simplemente porque están en la población en la que
reside el encuestador, y encuestar a unos cuantos individuos que acepten participar al salir de
las aulas por la mañana.
Las limitaciones de este tipo de muestreo son obvias. En el ejemplo anterior, podría suceder
que diferentes tipos de universidades correlacionen con estratos sociales y con opiniones
políticas. Es más, si selecciono estudiantes de 3 universidades concretas y los encuesto por la
mañana, sus opiniones podrían ser diferentes de las de estudiantes del turno de tarde (que tal
vez trabajan al mismo tiempo que estudian).
¿Significa lo anterior que los resultados de una muestra por conveniencia son totalmente
irrelevantes, que no nos dicen nada de la población? No exactamente. Si tenemos buenas
razones para pensar que la selección por conveniencia no va a introducir sesgos respecto al
total de la población, los resultados que obtendré pueden ser una buena imagen del universo
estudiado. El problema es que no sabré exactamente cómo de buena es esa imagen: no
puedo usar herramientas estadísticas como el margen de error y el intervalo de confianza para
medir la precisión de mis resultados. Los lectores del estudio tendrán que confiar en los
criterios de la selección hecha por el investigador.
1. El médico de un instituo quiere realizar un estudio óptico para comprobar si los jóvenes
mejoran su vista después de unos determinados ejercicios visuales. Para ello decide
realizar el estudio a los alumnos de un curso del instituto.
2. Un hospital desea hacer un estudio para testar la eficacia de su nueva vacuna contra la
gripe que acaba de patentar un laboratorio farmacéutico. Realizan el estudio sobre
sus pacientes por que así al hospital le supone menos costes económicos.