FICHA DE IDENTIFICACIÓN DE TRABAJO DE INVESTIGACIÓN

Título

Nombres y Apellidos Código de estudiantes

Mijael Ruben Villaroel Varvajal 35680

Autor/es Ornella Gianinna Lencina Bayon 35049

Herlan Junior Brito Medina 35330

Ada Lenny Cobarrubias tapia 35743

Jhon Jarco Saavedra Herrera 201314174

Fecha dd/mm/aaaa

Carrera Ing. Comercial

Asignatura Estadistica I
Grupo “N”
Docente Jonny Fidel Calisaya
Periodo Académico 3re semestre
Subsede Santa Cruz De La Sierra Bolivia
Copyright © (AGREGAR AÑO) por (NOMBRES). Todos los derechos reservados.
.
 Título:

Autor/es:

RESUMEN:

El presente trabajo presenta que el muestreo es una herramienta de la investigación científica, cuya

función básica es determinar que parte de una población debe examinase, con la finalidad de hacer

inferencias sobre la población.

Es te mismo no requiere tanto dinero ni tiempo como la medición de todos los datos de una

población. No paralizara el proceso normal de vida de la población. No necesita un número elevado de

recopiladores de datos. Con un muestreo adecuado se puede inferir y dar conclusiones para toda la

población con cierto grado de confiabilidad, en ciertos intervalos y en el presente trabajo le

explicamos cada proceso de tipo de muestreo estadístico hay mostramos los mas destacados.

Palabras clave: muestreo,población

ABSTRACT:

The present work presents that the sampling is a tool of the scientific investigation, whose basic

function is to determine that part of a population must be examined, with the purpose of making

inferences about the population.

It itself does not require as much money or time as the measurement of all the data of a population.

It will not paralyze the normal life process of the population. It does not need a large number of data

collectors. With proper sampling one can infer and give conclusions for all the population with a

certain degree of reliability, in certain intervals and in the present work we explain each process of

statistical sampling type, we have shown the most outstanding ones.

Key words:

Asignatura:
Página 2 de 26
Carrera:
Título:

Autor/es:

Introducción ........................................................................................................................... 4

Planteamiento del Problema .............................................................................................. 5

Formulación del Problema............................................................................................. 5

Objetivos............................................................................................................................ 5

El objetivo general ......................................................................................................... 5

Objetivos específicos ..................................................................................................... 5

justificacion ....................................................................................................................... 6

Marco Teórico ....................................................................................................................... 7

Desarrollo del marco teórico ............................................................................................. 7

Cronograma de actividades ................................................................................................. 24

Conclusion ........................................................................................................................... 25

Referencias .......................................................................................................................... 26

Asignatura:
Página 3 de 26
Carrera:
 Título:

Autor/es:

Introducción

El presente trabajo de investigación se demostrara la definición de muestreo y los

conceptos básicos poniendo en claro las palabras clave del tema a seguir para su mejor

compresión seguidamente presentaremos los tipos de muestro estadístico mas destacados que

hay junto con ejemplos y mostrando ventajas y desventajas de los mismos.

Ah continuación mostraremos como diferente personajes definían el tema del muestreo

estadístico

En las actividades de investigación científica y tecnológica es muy útil el empleo de

muestras. El análisis de una muestra permite inferir conclusiones susceptibles de

generalización a la población de estudio con cierto grado de certeza (Holguín y Cayaschi,

1993).

Al desarrollar un proyecto de investigación “el total de observaciones en las cuales se esta

interesado, sea su número finito o infinito, constituye lo que se llama una población,”

(Walpole y Myers, 1996, p. 203). La muestra es una pequeña parte de la población estudiada.

La muestra debe caracterizarse por ser representativa de la población.

De acuerdo con Briones (1995) “una muestra es representativa cuando reproduce las

distribuciones y los valores de las diferentes características de la población..., con márgenes

de error calculables,” (p. 83).

Los anteriores conceptos reflejan que al analizar una muestra se esta aplicando la

inferencia estadística con el propósito de “... conocer clases numerosas de objetos, personas o

eventos a partir de otras relativamente pequeñas, compuestas por los mismos elementos,”

(Glass y Stanley, 1994, p. 241). En términos generales la información que arroja el análisis de

Asignatura:
Página 4 de 26
Carrera:
 Título:

Autor/es:

una muestra es mas exacta incluso que la que pudiera arrojar el estudio de la población

completa.

Planteamiento del Problema

Formulación del Problema

¿En qué medida son importantes los tipos de muestreo estadístico y cuáles son los

más destacados?

Objetivos

El objetivo general

Proporcionar información e importancia de los tipos de muestro mas destacados en el área

de la Estadística

Objetivos específicos

Dar a conocer la definición de muestreo y los tipos de muestreo estadísticos

Proporcionar información de la importancia del muestreo estadístico

Asignatura:
Página 5 de 26
Carrera:
 Título:

Autor/es:

Informar de las ventajas y desventajas de los diferentes tipos de muestreo estadístico

Enseñar ejemplos de los tipos de muestreo de estadística mas destacados

justificacion

Como estudiantes tomamos la decisión de recopilar información correcta acerca de los

tipos de muestreo estadístico para la elaboración de este trabajo como proyecto final de

semestre y gracias ala ayuda proporcionada por el Ing. Jonny Fidel calisaya docente de la

materia Estadística I de la universidad Udabol hemos sido capaces de desarrollar organizar y

entender el tema investigado y en general la elaboración del proyecto.

Asignatura:
Página 6 de 26
Carrera:
 Título:

Autor/es:

Marco Teórico

Desarrollo del marco teórico

¿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.

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.

¿Importancia del muestreo?

El muestreo es muy útil e importante gracias a que podemos acompañarlo de un proceso

inverso, que llamamos generalización. Es decir, para conocer un universo lo que hacemos es

Asignatura:
Página 7 de 26
Carrera:
 Título:

Autor/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 fuma. 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 infra-representados.

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 un muestra a un universo conlleva aceptar que cometemos

cierto error, tal y como ilustra el siguiente esquema.

Asignatura:
Página 8 de 26
Carrera:
 Título:

Autor/es:

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.

Asignatura:
Página 9 de 26
Carrera:
 Título:

Autor/es:

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.

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.

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. La siguiente

tabla nos muestra algunos ejemplos:

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

del 95%

Asignatura:
Página 10 de 26
Carrera:
 Título:

Autor/es:

Univers Muestra
%
o necesaria

10 10 100%

100 80 80%

27,8
1.000 278
%

10.000 370 3,7%

0,38
100.000 383
%

1.000.00 0,038
384
0 %

10.000.0 0,004
385
00 %

100.000. 0,000
385
000 4%

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 un parte muy pequeña de los mismo.
Asignatura:
Página 11 de 26
Carrera:
 Título:

Autor/es:

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?

Inconvenientes:

Introducimos error (controlado) en el resultado, debido a la propia naturaleza del muestreo

y a la necesidad de generalizar resultados.

Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra. Por

ejemplo, si la forma en que selecciono individuos para la muestra no es aleatoria, mis

resultados pueden verse seriamente afectados.

La muestra aleatoria simple: definición y alternativas

La teoría del muestreo se basa en el concepto de muestra aleatoria simple. Una muestra

aleatoria simple es aquella muestra en la que se seleccionan individuos del universo de forma

Asignatura:
Página 12 de 26
Carrera:
 Título:

Autor/es:

totalmente aleatoria. Esto implica que todos los individuos deben tener idéntica probabilidad

(no nula) de ser seleccionados en mi muestra.

Pero una cosa es la teoría y otra la práctica. Sólo en entornos muy controlados es posible

hacer muestras aleatorias. Por otra parte, cuando tenemos universos compuestos por grupos

homogéneos (entre si) de personas, podemos aprovechar esta agrupación para mejorar la

calidad de mi muestra (o reducir el tamaño de la misma).

Tipos de muestreo

Los tipos de muestreo se clasifican en dos grandes grupos: el muestreo probabilístico y el

muestreo no probabilístico.

Entre los métodos de muestras probabilísticos, están: el muestreo aleatorio sistemático, el

muestreo aleatorio simple, el muestreo aleatorio por conglomerados o áreas y el muestreo

aleatorio estratificado.

Por su parte, las técnicas no probabilísticas incluyen el muestreo por conveniencia, el

muestreo por cuotas, el muestreo casual, el muestreo discrecional y la técnica bola de nieve.

En investigación, una muestra es un conjunto finito de la población, cuyas propiedades son

estudiadas con el objetivo de obtener información del grupo al que pertenecen (Webster,

1985). Aunque la muestra es pequeña, constituye un grupo representativo del todo.

En este sentido, el muestreo es el acto, el proceso y la técnica que involucra la selección de

individuos adecuados, que cumplan con los parámetros señalados por una investigación y que

constituyan una parte representativa de la población estudiada.

Tipos de muestras en investigación más destacadas

1- Muestreo probabilístico

Asignatura:
Página 13 de 26
Carrera:
 Título:

Autor/es:

El muestreo probabilístico, también llamado aleatorio, es el proceso de selección en el cual

cada uno de los individuos de una población tienen la misma probabilidad (la cual es mayor a

0) de ser seleccionados para formar parte de la muestra. En este tipo de muestreo, la

probabilidad de ser seleccionado puede ser determinada con precisión.

Características del muestreo probabilístico

Se conoce la probabilidad de selección.

No garantiza la representación para todos los rasgos que se desean estudiar en la

investigación.

Se basa en principios estadísticos.

Tipos de muestreo probabilístico

Muestreo aleatorio simple

Es el más común de los métodos de muestreo.

Se puede aplicar cuando la población es reducida, homogénea y está a disposición del

investigador.

Todos los miembros de la población tienen la misma probabilidad de ser seleccionados.

Para seleccionar la muestra aleatoria simple, se emplean métodos similares a los de una

lotería, generadores de números aleatorios o se extraen nombres de un bol en el que todos los

individuos de la población estén representados.

Ventajas

Es fácil calcular estimados con este tipo de muestreo.

Desventajas

No se puede aplicar cuando la población es muy numerosa.

Asignatura:
Página 14 de 26
Carrera:
 Título:

Autor/es:

Puede que los grupos minoritarios de interés para el investigador no estén lo

suficientemente representados dentro de la muestra simple aleatoria.

Ejemplo

En una escuela hay 100 estudiantes, de los cuales se pretende extraer una muestra de 10

individuos. Para comenzar, se enumeran a los alumnos del 1 al 100. Posteriormente, estos se

realiza un sorteo para determinar los 20 individuos que serán seleccionados.

Cabe destacar que en este caso se conoce la probabilidad, es decir, cada estudiante tiene

una probabilidad de 1/10 de ser escogido.

Ejemplo

el investigador tiene una población total de 100 individuos y necesita 12 sujetos. Primero

elige su número de partida, 5.

Luego, el investigador elige su intervalo, 8. Los miembros de su muestra serán los

individuos 5, 13, 21, 29, 37, 45, 53, 61, 69, 77, 85, 93.

Otros investigadores utilizan una técnica de muestreo aleatorio sistemático modificada en

donde primero identifican el tamaño de la muestra necesario. A continuación, dividen el

número total de la población por el tamaño de la muestra para obtener la fracción de

muestreo. La fracción de muestreo luego se utiliza como la diferencia constante entre los

sujetos.

Muestreo aleatorio sistemático

Depende de la organización de la población a estudiar en un patrón específico, una lista,

por ejemplo.

Asignatura:
Página 15 de 26
Carrera:
 Título:

Autor/es:

El primer elemento es seleccionado al azar; es relevante destacar que el elemento inicial no

debe ser el que encabeza la lista. Posteriormente, los demás elementos de la muestra son

seleccionados sistemáticamente, tomando en cuenta un logaritmo específico.

Cada elemento tiene la misma probabilidad de selección.

Un ejemplo de muestreo aleatorio sistemático es tomar guía telefónica y seleccionar cada

décimo nombre de la lista.

Ventajas

El proceso de selección es relativamente fácil.

La muestra se encuentra distribuida equitativamente en toda la población.

La muestra obtenida es representativa.

Desventajas

La selección de la muestra estar parcializada, puesto que se puede manipular el orden de

los elementos de la lista para que respondan a las necesidades del investigador.

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

Asignatura:
Página 16 de 26
Carrera:
 Título:

Autor/es:

Muestreo aleatorio estratificado

Los miembros de la población se organizan en categorías o estratos excluyentes entre sí.

Cada estrato es sometido a un proceso de muestreo individual.

Es ideal cuando el investigador quiere que la muestra sea representativa para todos los

parámetros de la investigación que se lleva a cabo.

Las unidades dentro de un mismo estrato tienen la misma probabilidad de ser

seleccionadas.

Se basa en dos principios básicos: la estratificación y la afijación.

La estratificación se refiere al proceso de formación de los estratos. Este proceso debe

garantizar la homogeneidad dentro de los elementos de un estrato y la heterogeneidad entre un

estrato y el otro.

La afijación se refiere a la distribución equitativa de la muestra entre todos los estratos.

Puede ser lograda a través de tres procesos:

– La afijación igual, en la que se selecciona la misma cantidad de individuos en cada

estrato para que formen parte de la muestra.

– La afijación proporcional, en la que se seleccionan elementos de cada estrato tomando en

cuenta el tamaño de estos. Los estratos con mayor cantidad tendrán mayor representación de

individuos.

– La afijación Neyman, en la que la selección de la muestra se hace tomando en cuenta la

dispersión de los estratos.

Ventajas

Garantiza la representación proporcional dentro de cada uno de los estratos.

Asignatura:
Página 17 de 26
Carrera:
 Título:

Autor/es:

Garantiza la representación de subgrupos de interés para el investigador, a diferencia del

muestreo simple aleatorio.

Debido a que cada estrato es considerado una población aparte, se pueden emplear

métodos de muestreo que respondan a las características individuales de cada subgrupo.

Desventajas

Requiere más trabajo, puesto que se deben preparar muestreos para cada uno de los

subgrupos.

Si los criterios de estratificación no son lo suficientemente específicos, un individuo puede

pertenecer a dos estratos al mismo tiempo.

La estratificación puede ser manipulada por el investigador.

Ejemplo

Supongamos que realizamos un estudio sobre la población de estudiantes de una

Universidad, en el que a través de una muestra de 10 de ellos queremos obtener información

sobre el uso de barras de labios.

En primera aproximación lo que procede es hacer un muestreo aleatorio simple, pero en su

lugar podemos reflexionar sobre el hecho de que el comportamiento de la población con

respecto a este carácter no es homogéneo, y atendiendo a él, podemos dividir a la población

en dos estratos:

Estudiantes masculinos (60% del total);

Estudiantes femeninos (40% restante).

de modo que se repartan proporcionalmente ambos grupos el número total de muestras, en

función de sus respectivos tamaños (6 varones y 4 mujeres). Esto es lo que se denomina

asignación proporcional.

Asignatura:
Página 18 de 26
Carrera:
 Título:

Autor/es:

Si observamos con más atención, nos encontramos (salvo sorpresas de probabilidad

reducida) que el comportamiento de los varones con respecto al carácter que se estudia es

muy homogéneo y diferenciado del grupo de las mujeres.

Por otra parte, con toda seguridad la precisión sobre el carácter que estudiamos, será muy

alta en el grupo de los varones aunque en la muestra haya muy pocos (pequeña varianza),

mientras que en el grupo de las mujeres habrá mayor dispersión. Cuando las varianzas

poblacionales son pequenãs, con pocos elementos de una muestra se obtiene una información

más precisa del total de la población que cuando la varianza es grande. Por tanto, si nuestros

medios sólo nos permiten tomar una muestra de 10 alumnos, será más conveniente dividir la

muestra en dos estratos, y tomar mediante muestreo aleatorio simple cierto número de

individuos de cada estrato, de modo que se elegirán más individuos en los grupos de mayor

variabilidad. Así probablemente obtendríamos mejores resultados estudiando una muestra de

1 varón.

9 hembras.

Muestreo aleatorio por conglomerados o áreas

La población de divide en conglomerados o áreas. Por lo general, la ubicación geográfica

es el criterio que se toma en cuenta para efectuar dicha división.

Las unidades seleccionadas para las muestras son grupos y no individuos.

Los conglomerados están formados por individuos con rasgos diversos. Mientras más

heterogéneos sean los elementos internos de un conglomerado, mejores serán los resultados

obtenidos.

Es un tipo de muestreo que presenta dos fases:

– En la primera fase, se seleccionan las áreas a estudiar.

Asignatura:
Página 19 de 26
Carrera:
 Título:

Autor/es:

– En la segunda fase, se seleccionan elementos dentro de esas áreas.

Ventajas

Permite estudiar poblaciones numerosas.

Permite estudiar poblaciones que están distribuidas en una región geográfica amplia.

Puede disminuir los costos de la investigación, puesto que permite estudiar grupos y no

individuos.

Desventajas

No se puede aplicar si los conglomerados difieren entre sí.

Para obtener muestras representativas, es necesario tomar elementos de los conglomerados

de toda la zona geográfica estudiada. Para esto, es necesario trasladarse; entonces, si bien es

cierto que este tipo de muestreo disminuye los costos en cuanto a la aplicación de encuestas a

individuos, los incrementa en cuanto al transporte.

Diferencias entre el muestreo aleatorio estratificado y el muestreo aleatorio por

conglomerados

En el muestreo estatificado se divide a la población en grupos excluyentes, por ejemplo:

sexo, edad, entre otros. En el muestreo por conglomerados, la población se divide en grupos

que se pueden comparar, por ejemplo: familias, escuelas, ciudades, entre otros.

La estratificación tiene un margen bajo de error, mientras que en los conglomerados el

margen de error es mayor.

Todos los estratos tienen representación dentro de la muestra estratificada, mientras que no

todos los grupos son representados dentro de la muestra por conglomerados.

Asignatura:
Página 20 de 26
Carrera:
 Título:

Autor/es:

En el muestreo estratificado, se obtienen mejores resultados cuando los elementos dentro

de los estratos son homogéneos. Por su parte, en el muestreo por conglomerados, se obtienen

mejores resultados cuando los elementos que conforman los grupos son heterogéneos.

2- Muestreo no probabilístico

El muestreo no probabilístico o no aleatorio se refiere a cualquier método de obtención de

muestras en el que los individuos se seleccionan tomando en cuenta los criterios del

investigador, la ubicación geográfica y la disponibilidad de la población, entre otros.

No es un tipo de muestreo científico, suele ser empleado en investigaciones de índole

social.

Características del muestreo no probabilístico

Algunos individuos de la población no tienen posibilidad de ser seleccionados.

La probabilidad de selección no puede ser determinada, a diferencia del muestreo

probabilístico.

Se basa en la selección de la muestra tomando en cuenta criterios tales como interés para el

investigador.

Los resultados del muestreo no aleatorio no son confiables en términos de probabilidad y

son menos preciso que los del muestreo probabilístico.

Resulta menos costoso en comparación con el muestreo probabilístico.

Se pueden cometer errores, puesto que se trata de un método subjetivo.

Tipos de muestreo no probabilístico

Muestreo por cuotas

La población es dividida en grupos excluyentes, como sucede con la muestra aleatoria

estratificada.

Asignatura:
Página 21 de 26
Carrera:
 Título:

Autor/es:

Posteriormente, entra en juego la parte no probabilística de este muestreo. Los individuos

dentro de los subgrupos son seleccionados tomando en cuenta el juicio del investigador y sus

intereses.

La selección de la muestra no es azarosa y demuestra parcialidad o prejuicio.

Muestreo por conveniencia

La muestra se selecciona de la parte de población que sea más conveniente. Esta

conveniencia puede estar determinada por diversos aspectos: la cercanía geográfica, la

familiaridad con los elementos de la muestra, la disponibilidad de los elementos de la

muestra, entre otros.

La selección de la muestra no depende de las necesidades de la investigación.

El investigador no puede hacer generalizaciones sobre la población con los resultados

obtenidos a través de una muestra por conveniencia, puesto que esta no es representativa.

Este tipo de muestreo es de provecho para aquellos que desean llevar a cabo estudios

experimentales o pruebas pilotos.

Muestreo discrecional o por juicio

El investigador selecciona a los individuos que, de acuerdo con su criterio, considere más

apropiados para llevar a cabo su investigación.

Suele tratarse de muestras reducidas.

Muestreo de bola de nieve o por referidos

Una cantidad reducida de individuos es seleccionada para llevar a cabo el estudio. Estos

individuos cumplen con los criterios necesarios para la investigación que se pretende llevar a

cabo.

Asignatura:
Página 22 de 26
Carrera:
 Título:

Autor/es:

Posteriormente, se les pide a estos individuos que inviten a otros nuevos que, según ellos,

cumplan con los criterios requeridos, y así sucesivamente.

La muestra crece considerablemente gracias al sistema de referidos, que se asemeja a una

bola de nieve rodando por una colina (de ahí el nombre).

Este método es propicio para obtener muestras de poblaciones a las que es difícil acceder.

Por ejemplo, si se está realizando un estudio sobre drogadictos, es muy poco probable que

haya listas disponibles de personas con esta condición. Entonces, lo mejor es contactar una

persona que cumpla con la característica pedida y hacer que esta traiga a más individuos.

Las muestras obtenidas a través de este método no son representativas.

Muestreo causal o accidental

Los individuos son seleccionados sin tomar en cuenta ningún juicio previo.

Se asemeja al muestreo por conveniencia, puesto que se toman los individuos de la

población que estén disponibles.

Asignatura:
Página 23 de 26
Carrera:
Título:

Autor/es:

Cronograma de actividades

Asignatura:
Página 24 de 26
Carrera:
 Título:

Autor/es:

Conclusion

En conclusión los tipos de muestreo Es de vital importancia ya que de un muestreo de toda

una población puedes examinar y sacar conclusiones en base a una pequeña parte de la

población total, dando por sentado que los resultados obtenidos en la muestra que es de hecho

representativa de toda la población una ventaja muy grande es que es mucho mas sencillo

trabajar con una pequeña parte de la población que la población completa.

Asignatura:
Página 25 de 26
Carrera:
 Título:

Autor/es:

Referencias

Sampling. Recuperado el 28 de abril de 2017, de ssc.wisc.edu.

Fridah, Mugo. Sampling in Research. Recuperado el 28 de abril de 2017, de indiana.edu.
Chaturvedi, Kanupriya. Recuperado el 28 de abril de 2017, de pitt.edu.
Sampling. Recuperado el 28 de abril de 2017, de flinders.edu.au.
Barreiro. Population and Sample. Sampling Techniques. Recuperado el 28 de abril de
2017, de optimierung.mathematik.uni-kl-de.
Domenech JM. Métodos Estadísticos en Ciencias de la Salud. Signo. Barcelona 1999.
Hulley SB, Cummings SR. Diseño de la inve
stigación clínica. Ed Doyma. Barcelona
1993.
Kelsey IL, Thompson WD, Evans A. Methods in observational epidemiology.
Oxford University Press 1986.
Sampling Techniques. Recuperado el 28 de abril de 2017, de cs.fit.edu.
Journal of Mixed Methods Research (2007). Recuperado el 28 de abril de 2017, de
sociologyofeurope.unifi.it.
Landreneau. Sampling Strategies. Recuperado el 28 de abril de 2017, de natco1.org.

Asignatura:
Página 26 de 26
Carrera: