Muestreo Probabilístico

El muestreo probabilístico es un método de muestreo que utiliza formas de métodos de selección

aleatoria.

El requisito más importante del muestreo probabilístico es que todos en una población tengan
la misma oportunidad de ser seleccionados.

Este método utiliza la teoría estadística para seleccionar al azar un pequeño grupo de personas
(muestra) de una gran población existente y luego predecir que todas las respuestas juntas
coincidirán con la población en general.

Ejemplo
Si tienes una población de 100 personas, cada persona tendría una probabilidad de 1 de 100 de
ser seleccionado. El método de muestreo probabilístico te ofrece la mejor oportunidad de crear una
muestra representativa de la población.

Formula
𝑁𝑖
ni = n * 𝑁

Donde N representa el número de elementos de la población, n representa la muestra, Ni el del

estrato i.
 Muestreo Aleatorio Sistemático
El muestreo sistemático era muy popular en el pasado, antes de que la incorporación de la
informática hiciese trivial un problema que siempre había dado muchos quebraderos de cabeza a
los investigadores: elegir individuos de forma aleatoria dentro de una muestra. En la medida en que
los ordenadores nos han facilitado la tarea de generar números aleatorios, este problema ha
desaparecido.
Es una técnica dentro de la categoría de muestreos probabilísticos, por lo tanto, requiere tener
un control preciso del marco de la muestra de individuos seleccionables junto con la probabilidad
de que sean seleccionados. consistente en escoger un individuo inicial de forma aleatoria entre la
población y, a continuación, seleccionar para la muestra a cada enésimo individuo disponible en el
marco muestral.

¿Cómo se Aplica?
1. Elaboramos una lista ordenada de los N individuos de la población, lo que sería el marco

muestral.

2. Dividimos el marco muestral en n fragmentos, donde n es el tamaño de muestra que deseamos.

El tamaño de estos fragmentos será:

K=N/n

Donde K es el nombre del intervalo o coeficiente de elevación.

3. Número de inicio: obtenemos un número aleatorio entero A, menor o igual al intervalo. Este
número corresponderá al primer sujeto que seleccionaremos para la muestra dentro del primer
fragmento en que hemos dividido la población.

4. Selección de los n-1 individuos restantes: Seleccionamos los siguientes individuos a partir del
individuo seleccionado aleatoriamente, mediante una sucesión aritmética, seleccionando a los
individuos del resto de fragmentos en que hemos dividido la muestra que ocupan la misma posición
que el sujeto inicial. Esto equivale a decir que seleccionaremos los individuos

A, A + K, A + 2K, A + 3K, …, A + (n-1) K

Ejemplo
Supongamos que tenemos un marco muestral de 5.000 individuos y deseamos obtener una
muestra de 100 de ellos. Dividimos en primer lugar el marco muestral en 100 fragmentos de 50
individuos. A continuación, seleccionamos un número aleatorio entre 1 y 50, para extraer el
primer individuo al azar del primer fragmento: por ejemplo, el 24. A partir de este individuo,
queda definida la muestra extrayendo los individuos de la lista con intervalos de 50 unidades, tal
y como sigue:

24, 74, 124, 174, ..., 4.974

 Muestreo Aleatorio Simple
Es aquel en que cada elemento de la población tiene la misma probabilidad de ser seleccionado
para integrar la muestra cada uno de los elementos de la muestra, se selecciona aleatoriamente uno
por uno.

Para seleccionar los individuos de la muestra es fundamental proceder aleatoriamente, es decir,

decidir al azar qué individuos de entre toda la población forma parte de la muestra. Si se procede
como si de un sorteo se tratara, eligiendo directamente de la población sin ningún otro
condicionante.

Las desventajas de este método de selección es que consume mucho tiempo, y se limita a
poblaciones pequeñas.

Sus elementos son seleccionados mediante el muestreo aleatorio simple.

NIVEL DE 99.7 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
CONFIANZA %

Z 3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
Ejemplo #1
Se desea estimar el peso promedio de los sacos que son llenados por un nuevo instrumento en
una industria. Se conoce que el peso de un saco que se llena con este instrumento es una variable
aleatoria con distribución normal. Si se supone que la desviación típica del peso es de 0,5 kg.

Determine el tamaño de muestra aleatoria necesaria para determinar una probabilidad igual a
0,95 de que el estimado y el parámetro se diferencien modularmente en menos de 0,1 kg.

Ejemplo #2
En una fábrica de artículos electrónicos generalmente el 10% de los artículos presenta algún
defecto de fabricación. Para analizar la calidad del producto se desea estimar la proporción de
artículos electrónicos defectuosos de un lote de 200 artículos listos para ser embarcado.

Pregunta: ¿Cuántos artículos deben ser elegidos del lote si se desea una confianza de 95% y un
error de estimación no mayor a 0.05?
 MUESTREO ALEATORIO ESTRATIFICADO
El muestreo estratificado es un procedimiento de muestreo en el que el objetivo de la población se separa
en segmentos exclusivos, homogéneos (estratos), y luego una muestra aleatoria simple se selecciona de cada
segmento (estrato). Las muestras seleccionadas de los diversos estratos se combinan en una sola muestra.
Este procedimiento de muestreo se refiere a veces como” muestreo de cuota aleatorio”.

Pasos de selección para un muestreo estratificado

1. Define la población objetivo.
2. Identifica la variable o variables de estratificación y determinar el número de estratos a usarse.
Las variables de estratificación deben estar relacionados con el propósito de estudio. Si el
propósito del estudio es hacer estimaciones de los subgrupos, las variables de estratificación
deben estar relacionados con esos subgrupos. La disponibilidad de información auxiliar a
menudo determina las variables de estratificación que se utilizan. Puede ser utilizada más de una
variable de estratificación. Considera que a medida que el número de variables de estratificación
aumenta, incrementa la probabilidad de que algunas de las variables cancelen los efectos de otras
variables, no más de cuatro a seis variables de estratificación y no se deben utilizar más de seis
estratos de una variable en particular.
3. Identifica un marco de muestreo existente o desarrolla uno que incluya información sobre la o
las variables de estratificación para cada elemento de la población objetivo. Si el marco de la
muestra no incluye la información en las variables de estratificación, la estratificación no sería
posible.
4. Evalúa el marco de muestreo para la falta de cobertura, cobertura excesiva, múltiple, y la
agrupación, y haz los ajustes cuando sea necesario.
5. Divide el marco de muestreo en estratos, categorías de la estratificación de la o las variables,
creando un marco de muestreo para cada estrato. Dentro del estrato las diferencias deben
reducirse al mínimo, y las diferencias entre los estratos deben maximizarse. Los estratos no
deben estar superpuestos, en conjunto, debe constituir toda la población. Los estratos deben ser
independientes y mutuamente exclusivos del subconjunto de la población. Cada elemento de la
población debe estar en un sólo estrato.
6. Asigna un número único a cada elemento.
7. Determina el tamaño de la muestra para cada estrato. La distribución numérica de los elementos
incluidos en la muestra a través de los diversos estratos determina el tipo de muestreo a
implementar. Puede ser un muestreo proporcional estratificado o uno de los diversos tipos de
muestreo estratificado desproporcionado.
8. Selecciona al azar el número específico de elementos de cada estrato. Al menos un
elemento se debe seleccionar de cada estrato para la representación de la muestra; y por lo
menos dos elementos deben ser elegidos de cada estrato para el cálculo del margen de error
de las estimaciones calculadas a partir de los datos recogidos.

Ejemplo
Una empresa cuenta con 300 obreros, 60 vigilantes, 150 motoristas y 90 encargados. Para
mejorar las condiciones laborales la empresa elegirá a 40 empleados de los diferentes estratos
para realizar una evaluación de esta. ¿Cuántos empleados de cada estrato se deben elegir?

P= 600 Estrato 1=300

n= muestra Estrato 2=60
N=población Estrato 3=150
Estrato 4=90
Total, población= 600

Solución:
300/600x40= 20
60/600x40=4

150/600x40=10

90/600x40=6

R// muestra estrato 1= 20

Muestra estrato 2= 4

Muestra estrato 3= 10Muestra estrato 4= 6

 Muestreo por Conglomeración
El muestreo por conglomerados es una técnica que aprovecha la existencia de grupos o
conglomerados en la población que representan correctamente el total de la población en relación
con la característica que queremos medir. Dicho de otro modo, estos grupos contienen toda la
variabilidad de la población. Si esto sucede, podemos seleccionar únicamente algunos de estos
conglomerados para realizar el estudio.

Podemos ver esta técnica desde otro punto de vista. Mientras que en todas las técnicas vistas
hasta ahora las unidades de muestreo coinciden con las unidades a estudiar (individuos), en el
muestreo por conglomerados las unidades de muestreo son grupos de unidades de estudio, algo que
puede resultar muy beneficioso en relación con el coste del propio muestreo. A cambio, es habitual
obtener una menor precisión al usar esta técnica, causada por falta de heterogeneidad dentro de los
conglomerados.

Proceso de muestreo
Un criterio habitual para definir conglomerados es el geográfico. Por ejemplo, si queremos
estudiar qué proporción de la población argentina fuma, podemos dividir el total de la población
en provincias y seleccionar algunas de ellas para ser estudiadas. Si no tenemos razones para pensar
que él % de fumadores va a cambiar de una provincia a otra, esta solución nos permitirá concentrar
el esfuerzo de muestreo en un único entorno geográfico. Si el estudio se va a hacer mediante
entrevistas personales, esto representa un importante ahorro de costes de desplazamientos.

Una vez definimos los conglomerados, el siguiente paso es seleccionar los conglomerados a
estudiar, ya sea mediante un muestreo aleatorio simple o sistemático.

Por último, una vez hemos seleccionado los conglomerados a estudiar, podemos investigar a
todos los sujetos que forman parte de los mismos, o bien aplicar un nuevo proceso de muestreo
dentro del conglomerado, por ejemplo obteniendo una muestra mediante muestreo aleatorio simple
o sistemático. Si optamos por esta posibilidad, estaremos hablando de un muestreo en dos etapas o
bietápico: la primera etapa es la selección del conglomerado, la segunda la de individuos dentro
del conglomerado. Si por el contrario estudiamos todos los individuos del conglomerado,
hablaremos de muestreo por conglomerados unietápico.
Muestreo estratificado y muestreo por conglomerados
La idea del muestreo por conglomerados recuerda a la del muestreo estratificado. En ambos
casos dividimos la población en grupos. Sin embargo, los principios detrás de ambas técnicas son
en cierto modo opuestos.

El muestreo estratificado es especialmente adecuado cuando los grupos (estratos) son muy
homogéneos internamente y muy diferentes entre sí. En ese caso, conviene asegurar que tenemos
representantes en nuestra muestra que provienen de todos los estratos. Por el contrario, el muestreo
por conglomerados es muy adecuado cuando los grupos en que dividimos la población son muy
similares entre sí, por lo que no hay gran diferencia entre estudiar individuos de un grupo o de otro.

Es por ello por lo que pese a que ambas técnicas dividen la población (en estratos o
conglomerados) el proceso de selección de individuos es radicalmente diferente.

Ventajas y Desventajas
La principal ventaja de esta técnica es de tipo operativa: seleccionar un conglomerado a estudiar
suele ser más fácil y económico que hacer una muestra aleatoria o sistemática. Hemos visto por
ejemplo que usar conglomerados geográficos puede representar un importante ahorro en
desplazamientos de personas.

Curiosamente, es habitual hacer estudios a través de Internet en los que se sigue pensando en
términos de estudiar sólo unas zonas geográficas, cuando en realidad a través de Internet no
obtenemos ningún beneficio operativo; al contrario, incurrimos en mayor riesgo de tener menor
precisión por diferencias entre las regiones estudiadas y el resto de la población. Esta práctica es
una herencia injustificada de técnicas que eran buenas en entrevistas personales, pero que no lo son
al usar otras metodologías.

Como principal inconveniente, al usar muestreo por conglomerados corremos un riesgo

importante: que los conglomerados no sean realmente homogéneos entre ellos. En el ejemplo
anterior sobre fumadores en Argentina, podría suceder que en una de las provincias exista más
propensión a fumar, por ser una región más urbana, por razones culturales, etc.
Eficiencia del muestreo por Conglomeración
¿Cómo podemos comparar esta técnica con otras vistas con anterioridad? Lo bien o mal que va
a funcionar esta técnica va a depender, de forma similar a como ocurría en el muestreo estratificado,
de la relación entre varianza dentro y fuera de los conglomerados.

Esta relación se suele expresar con un coeficiente de correlación intraconglomerados (δ), que
se define como el coeficiente de correlación lineal entre todos los pares de valores de la variable
en estudio medidos sobre las unidades de los conglomerados y extendido a todos los
conglomerados. En definitiva, este coeficiente es una medida de la homogeneidad en el interior de
los conglomerados.

Cuanto menor sea el coeficiente de homogeneidad intraconglomerados δ, mayor eficiencia

arrojará el muestreo por conglomerados. Recordemos que lo ideal es que los conglomerados sean
tan heterogéneos como el total de la muestra, con el fin de que la selección de un conglomerado
concreto nos de la misma información que la selección de individuos al azar del total de la
población.

Si comparamos el muestreo aleatorio simple con el muestreo por conglomerados, es posible

demostrar que si δ=0 ambos métodos son equivalentes. Esta condición implica que los
conglomerados son exactamente tan heterogéneos como el total de la población. El peor caso sería
δ=+1, mientras que el más favorable sería el de δ=-1/(M-1), donde M es el tamaño del
conglomerado. Sin embargo, normalmente δ va a ser siempre mayor que 0, ya que lo normal es
que las unidades de un conglomerado tengan cierto parecido entre sí.
 Otra forma de ver el impacto de este problema es calcular el tamaño de muestra necesario al
emplear muestreo por conglomerados para lograr la misma precisión de un muestreo aleatorio
simple. Esta expresión es la que sigue

nc = na (1 + (M-1) δ)

donde nc es el tamaño de muestra en muestreo por conglomerados y no es el tamaño de muestra

que necesitaríamos en muestreo aleatorio simple. Por lo tanto, el factor (1+(M-1) δ es la variación
del tamaño de muestra que necesitamos debido al uso de conglomerados. Normalmente será un
incremento. Este factor se conoce como efecto de diseño.
 Muestreo por Cuotas
Las aproximaciones no probabilísticas son utilizadas cuando el investigador asegura una
representación equitativa y proporcionada de los sujetos, en función de que rasgo es considerado
base de la cuota. En el muestreo por cuotas se escogen personas con las características deseadas,
pero no se seleccionan aleatoriamente de la población.

La razón principal por la que los investigadores eligen muestras por cuotas es conocer una
característica o rasgo de un determinado subgrupo.

En el proceso de muestreo de estos subgrupos, otras características pueden ser representadas de

más, es decir, si en un estudio tienen en cuenta el género, el nivel socioeconómico y la religión
como base de los subgrupos, la muestra final puede tener una representación sesgada de la edad,
raza, nivel educativo alcanzado, el estado civil y mucho más.

Proceso de muestreo
 Se divide la población en subgrupos exclusivos.
 El investigador identifica las proporciones de estos subgrupos en la población. Ésta misma
proporción será aplicada al proceso de muestreo.
 El investigador selecciona sujetos de los diversos subgrupos teniendo en cuenta las
proporciones observadas en el paso anterior.
Ejemplo
Si se pretendiera abordar la influencia del nivel de estudios en los hábitos de lectura de una
población, se deberían establecer cuotas a partir de los distintos niveles de estudio que se pueden
alcanzar. Las cuotas más habituales en la investigación social vienen definidas por el sexo, la edad,
la educación, la etnia, la religión y el nivel socioeconómico, pues la mayoría de los marcos o bases
muestrales recogen estas variables. En el muestreo por cuotas, se suelen dar instrucciones generales
a los entrevistadores como: buscar dos hombres y tres mujeres en una manzana específica y
asegurarse que cuatro tengan más de 25 años y uno menor de 25 años. Por otro lado, en el muestreo
probabilístico a los entrevistadores se les proporcionan nombres o direcciones ya seleccionadas
aleatoriamente sin subjetividad humana.
 Muestreo por Conveniencia
El muestreo por conveniencia es una técnica de muestreo no probabilístico y no aleatorio
utilizada para crear muestras de acuerdo con la facilidad de acceso, la disponibilidad de las personas
de formar parte de la muestra, en un intervalo de tiempo dado o cualquier otra especificación
práctica de un elemento particular.

El investigador elige a los miembros solo por su proximidad y no considera si realmente estos
representan muestra representativa de toda la población o no. Cuando se utiliza esta técnica, se
pueden observar hábitos, opiniones, y puntos de vista de manera más fácil.

Los investigadores utilizan técnicas de muestreo en situaciones en las que hay grandes
poblaciones para ser evaluadas, ya que, en la mayoría de los casos, es casi imposible realizar
pruebas a toda una población.

El muestreo por conveniencia es la técnica de muestreo que se utiliza de manera más común, ya
que es extremadamente rápida, sencilla, económica y, además, los miembros suelen estar accesibles
para ser parte de la muestra.

Esta técnica se utiliza cuando no existen criterios que deban considerarse para que una persona
pueda ser parte de la muestra. Cada elemento de la población puede ser un participante y es elegible
para ser parte de la muestra. Estos participantes comúnmente dependen de la proximidad al
investigador.

Por ejemplo, en una escuela a veces hay situaciones en las que un docente selecciona las
primeras dos filas para participar en la competencia, este es un tipo de ejemplo en cuanto a la
proximidad. O también otro ejemplo podría ser cuando una ONG selecciona las 20 mejores
ciudades para que presten sus servicios en función de la proximidad de su base.

Quizá te interese leer: Grandes oportunidades para la investigación online en centros

comerciales.
Proceso de muestreo
El ejemplo más básico de donde se utiliza el método de muestreo de conveniencia es cuando las
empresas detienen a las personas en un centro comercial o en una calle concurrida para distribuir
sus folletos promocionales y hacer preguntas.

Las empresas utilizan el método de muestreo por conveniencia para recopilar información
sobre problemas críticos que deben abordarse casi de inmediato, o cuando una marca está
recopilando información sobre una característica o producto en particular recién lanzado.

Durante las etapas iniciales de una investigación, los investigadores suelen preferir utilizar el
muestreo por conveniencia ya que con este método es más rápido y fácil obtener resultados.

Incluso aunque muchos evitan implementar esta técnica, el muestreo por conveniencia es
clave en situaciones en las que un investigador pretende obtener información en un lapso más
corto y sin invertir demasiado dinero.

Por ejemplo, si a un estudiante de marketing se le pide una tarea en la cual debe obtener
comentarios sobre el “alcance del marketing de contenido en el 2018”, este crearía rápidamente
una encuesta en línea y le enviaría un enlace a todos los contactos de su teléfono para que estos la
respondan y las compartan en sus redes sociales. Además, es probable que le pida a sus
compañeros que le ayuden a responder su encuesta porque la necesita para su tarea. Este es un
ejemplo clásico del uso del método de muestreo por conveniencia.
Ventajas y Desventajas
Método rápido para recopilar datos: Las reglas para reunir elementos o participantes para la
muestra son menos complicados en comparación con otros métodos de investigación, como por
ejemplo el muestreo aleatorio simple, el muestreo estratificado o el muestreo sistemático. Debido
a la simplicidad de este tipo de muestreo, la recopilación de datos suele tomar un tiempo mínimo.

Económico al momento de crear muestras: El dinero y el tiempo invertido en otros métodos de

muestreo de probabilidad suelen ser mucho más altos en comparación con el muestreo por
conveniencia. Esto permite a los investigadores a crear muestras con menos o incluso con
ninguna inversión en un breve periodo de tiempo.

Muestra fácilmente recolectada: Los investigadores pueden acceder fácilmente a los elementos
y, por lo tanto, es fácil recopilar miembros para la muestra.

Menos reglas: a diferencia de las técnicas de muestreo probabilístico, el muestreo por

conveniencia no requiere pasar por una lista de verificación para poderle dar acceso a los
miembros o a una población a ser parte de la muestra. En el caso de este método de muestreo, la
recopilación de información y de datos críticos es mucho más simple.

Ejemplo
De uso de muestreo por conveniencia puede ser este: Imagina que los voluntarios de la ONG
necesitan realizar encuestas a mujeres, pero no tienen acceso a muchas, pero necesitan obtener los
resultados lo más rápido posible, lo que los voluntarios pueden hacer es ir a escuelas, universidades,
oficinas, etc., y hablar con las mujeres que estén presentes sin tener una lista en la mano.
 Muestreo por Bola de Nieve
Es una técnica de muestreo no probabilístico, la cual se utiliza para identificar a los potenciales
sujetos para estudio, en casos donde encontrar a nuestra muestra se dificulta mucho.

Investigadores y personas de interés utilizan esta técnica para poder identificar a los sujetos es
muy rara o si está limitada a identificarse a un subgrupo muy pequeño de la población. Esta técnica
se caracteriza por que su funcionamiento es en reacción de cadena, al momento de identificar al
primer sujeto, el investigador solicita su ayuda para poder encontrar a otra muestra que cumpla con
las mismas características que el anterior.

Por lo tanto, la bola de nieve funciona especialmente bien cuando el rasgo distintivo de la
población que queremos estudiar tiende a agrupar a dichos individuos, a favorecer su contacto
social. Es algo más habitual de lo que podría parecer a simple vista. Es obvio que coleccionistas,
practicantes de un deporte o aficionados a un tipo de música pueden cumplir con esta propiedad.
Pero también aplica a otros colectivos como pacientes de una enfermedad rara, por poner un
ejemplo, ya que su circunstancia personal facilita que estas personas entren en contacto con otras
personas con el mismo rasgo.

Tipos de muestreo de bola de nieve

1. Muestreo de bola de nieve lineal.

2. Muestreo de bola de nieve no discriminatoria exponencial.

3. Muestreo de bola de nieve discriminatoria exponencial.

Ventajas
 Se puede tomar muestras de poblaciones con difícil acceso.
 No se necesita muchos recursos, ya sean económicos como recurso humano.
 Requiere poca planificación y los mismos sujetos seleccionas, hacen el trabajo de traer a
nuevas muestras.

Desventajas
 El investigador tiene poco o nada de control sobre los sujetos seleccionados para muestra,
ya que las mismas muestras tomadas anteriormente emiten su criterio para obtener a nuevos
sujetos.
 La representatividad de la muestra no está garantizada. El investigador no tiene ni idea de
la verdadera distribución de la población ni de la muestra.
 El sesgo de muestreo es también un miedo de los investigadores cuando se utiliza esta
técnica. Los primeros sujetos tienden a designar a personas que conocen bien. Como
consecuencia, es muy posible que los sujetos compartan los mismos rasgos y características
y, por lo tanto, la muestra que obtenga el investigador será sólo un pequeño subgrupo de
toda la población.