Muestreo (estadística)

En la referencia estadística se conoce como muestreo a la técnica para la selección de

una muestra a partir de una población estadística.1
Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean
extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez obtener
resultados parecidos a los que se alcanzarían si se realizase un estudio de toda la
población. En las investigaciones llevadas por empresarios y de la medicina se usa
muestreo extensivamente en recoger información sobre poblaciones.2
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio
adecuado (que consienta no solo hacer estimaciones de la población sino estimar también
los márgenes de error correspondientes a dichas estimaciones), debe cumplir ciertos
requisitos. Nunca podremos estar enteramente seguros de que el resultado sea
una muestra representativa, pero sí podemos actuar de manera que esta condición se
alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la
población, se puede extraer dos o más muestras de la misma población. Al conjunto de
muestras que se pueden obtener de la población se denomina espacio muestral. La
variable que asocia a cada muestra su probabilidad de extracción, sigue la
llamada distribución muestral.

Índice
[ocultar]

 1Técnicas de muestreo estadístico[3][4]

o 1.1Muestreo aleatorio simple
 1.1.1Tipos
 1.1.2Muestreo sistemático
 1.1.3Muestreo estratificado
 1.1.4Muestreo por etapas múltiples
 1.1.5Muestreo por conglomerados
 1.1.6Homogeneidad de las poblaciones o sus subgrupos
o 1.2Muestreo no probabilístico
 1.2.1Muestreo por cuotas
 1.2.2Muestreo de bola de nieve
 1.2.3Muestreo subjetivo por decisión razonada
 2Referencias
 3Véase también

Técnicas de muestreo estadístico34[editar]

Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o
de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de
selección). Cuando este último cumple con la condición de que todos los elementos de la
población tienen alguna oportunidad de ser escogidos en la muestra, si la probabilidad
correspondiente a cada sujeto de la población es conocida de antemano, recibe el nombre
de muestreo probabilístico. Una muestra seleccionada por muestreo de juicio puede
basarse en la experiencia de alguien con la población. Algunas veces una muestra de
juicio se usa como guía o muestra tentativa para decidir cómo tomar una muestra aleatoria
más adelante.
Muestreo aleatorio simple[editar]
Forman parte de este tipo de muestreo todos aquellos métodos para los que se puede
calcular la probabilidad de extracción de cualquiera de las muestras posibles. Este
conjunto de técnicas de muestreo es el más aconsejable, aunque en ocasiones no es
posible optar por él.
Tipos[editar]
Sin reposición de los elementos: Cada elemento extraído se descarta para la
subsiguiente extracción. Por ejemplo, si se extrae una muestra de una "población" de
bombillas para estimar la vida media de las bombillas que la integran, no será posible
medir más que una vez la bombilla seleccionada.
Con reposición de los elementos: Las observaciones se realizan con remplazo de los
individuos, de forma que la población es idéntica en todas las extracciones. En
poblaciones muy grandes, la probabilidad de repetir una extracción es tan pequeña que el
muestreo puede considerarse con reposición aunque, realmente, no lo sea.
Con reposición múltiple: En poblaciones muy grandes, la probabilidad de repetir una
extracción es tan pequeña que el muestreo puede considerarse con reposición.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy útil la
extracción de números aleatorios mediante ordenadores, calculadoras o tablas construidas
al efecto.
Muestreo sistemático[editar]
Se utiliza cuando el universo o población es de gran tamaño, o ha de extenderse en el
tiempo. Primero hay que identificar las unidades y relacionarlas con el calendario (cuando
proceda). Luego hay que calcular una constante, denominada coeficiente de elevación:

K= N/n

Donde N es el tamaño de la población y n el tamaño de la muestra.

Para determinar en qué fecha se producirá la primera extracción hay que elegir al azar un
número entre 1 y K; de ahí en adelante tomar uno de cada K a intervalos regulares.
Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenómeno.
Esto quiere decir que si tenemos un determinado número de personas que es la población
(N) y queremos escoger de esa población un número más pequeño el cual es la muestra
(n), dividimos el número de la población por el número de la muestra que queremos tomar
y el resultado de esta operación será el intervalo, entonces escogemos un número al azar
desde uno hasta el número del intervalo, y a partir de este número escogemos los demás
siguiendo el orden.
Muestreo estratificado[editar]
Consiste en la división previa de la población de estudio en grupos o clases que se
suponen homogéneos con respecto a alguna característica de las que se van a estudiar. A
cada uno de estos estratos se le asignaría una cuota que determinaría el número de
miembros del mismo que compondrán la muestra. Dentro de cada estrato se suele usar la
técnica de muestreo sistemático, una de las técnicas de selección más usadas en la
práctica.
Según la cantidad de elementos de la muestra que se han de elegir de cada uno de los
estratos, existen dos técnicas de muestreo estratificado:

 Asignación proporcional: el tamaño de la muestra dentro de cada estrato es

proporcional al tamaño del estrato dentro de la población.
 Asignación óptima: la muestra recogerá más individuos de aquellos estratos que
tengan más variabilidad. Para ello es necesario un conocimiento previo de la
población.
Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar por separado
las opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos
grupos, puede haber cierta homogeneidad. En la asignación proporcional, si la población
está compuesta de un 55% de mujeres y un 45 % de hombres, se tomaría una muestra
que contenga también esos mismos porcentajes de hombres y mujeres. En la asignación
óptima, si todos los hombres piensan igual, pero las mujeres son impredecibles, se tomaría
una muestra con más del 55% de mujeres.
Para una descripción general del muestreo estratificado y los métodos de inferencia
asociados con este procedimiento, suponemos que la población está dividida
en h subpoblaciones o estratos de tamaños conocidos N1, N2,..., Nh tal que las unidades en
cada estrato sean homogéneas respecto a la característica en cuestión. La media y la
varianza desconocidas para el i-ésimo estrato son denotadas por mi y si2, respectivamente.
Muestreo por etapas múltiples[editar]
Esta técnica es la única opción cuando no se dispone de lista completa de la población de
referencia o bien cuando por medio de la técnica de muestreo simple o estratificado se
obtiene una muestra con unidades distribuidas de tal forma que resultan de difícil acceso.
En el muestreo a estudios múltiples se subdivide la población en varios niveles ordenados
que se extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se
desarrolla en varias fases o extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un país
determinado, éstos pueden subdividirse en unidades primarias representadas por
circunscripciones didácticas y unidades secundarias que serían los propios profesores. En
primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos
tener la lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente
una muestra de unidades secundarias de cada una de las primarias seleccionadas en la
primera extracción.
Muestreo por conglomerados[editar]
Artículo principal: Muestreo por conglomerados

Se utiliza cuando la población se encuentra dividida, de manera natural, en grupos que se

supone que contienen toda la variabilidad de la población, es decir, la representan
fielmente respecto a la característica a elegir, pueden seleccionarse sólo algunos de estos
grupos o conglomerados para la realización del estudio.
Dentro de los grupos seleccionados se ubicarán las unidades elementales, por ejemplo,
las personas a encuestar, y podría aplicársele el instrumento de medición a todas las
unidades, es decir, los miembros del grupo, o sólo se le podría aplicar a algunos de ellos,
seleccionados al azar. Este método tiene la ventaja de simplificar la recogida de
información muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para
integrar la muestra, el diseño se llama muestreo bietápico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer método
funciona mejor cuanto más homogénea es la población respecto del estrato, aunque más
diferentes son éstos entre sí. En el segundo, ocurre lo contrario. Los conglomerados deben
presentar toda la variabilidad, aunque deben ser muy parecidos entre sí.
Homogeneidad de las poblaciones o sus subgrupos[editar]
Homogéneo significa, en el contexto de la estratificación, que no hay mucha variabilidad.
Los estratos funcionan mejor cuanto más homogéneos son cada uno de ellos respecto a la
característica a medir. Por ejemplo, si se estudia la estatura de una población, es bueno
distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos,
haya menos variabilidad, es decir, sean menos heterogéneos. Dicho de otro modo, no hay
tantas diferencias entre unas estaturas y otras dentro del estrato que en la población total.
Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan las mismas
diferencias dentro del estrato que en toda la población, no hay por qué usar este método
de muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de
la población, lo que se construyen son conglomerados, que ahorran algo del trabajo que
supondría analizar toda la población. En resumen, los estratos y los conglomerados
funcionan bajo principios opuestos: los primeros son mejores cuanto más homogéneo es el
grupo respecto a la característica a estudiar y los conglomerados, si representan fielmente
a la población, esto es, contienen toda su variabilidad, o sea, son heterogéneos.
El espacio muestral es: Conjunto formado por todos los resultados posibles de un
experimento aleatorio. EJ: Al lanzar un dado no cargado el espacio muestral del dado
seria: 1-2-3-4-5-6.
Muestreo no probabilístico[editar]
Es aquel para el que no se puede calcular la probabilidad de extracción de una
determinada muestra. Por tal motivo, se busca seleccionar a individuos que tienen un
conocimiento profundo del tema bajo estudio y se considera que la información aportada
por esas personas es vital para la toma de decisiones.
Muestreo por cuotas[editar]
Es la técnica más difundida sobre todo en estudios de mercado y sondeos de opinión. En
primer lugar es necesario dividir la población de referencia en varios estratos definidos por
algunas variables de distribución conocida (como el género o la edad). Posteriormente se
calcula el peso proporcional de cada estrato, es decir, la parte proporcional de población
que representan. Finalmente se multiplica cada peso por el tamaño de n de la muestra
para determinar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado
en que una vez determinada la cuota, el investigador es libre de elegir a los sujetos de la
muestra dentro de cada estrato.
Muestreo de bola de nieve[editar]
Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en
contacto entre sí. Consiste en identificar sujetos que se incluirán en la muestra a partir de
los propios entrevistados. Partiendo de una pequeña cantidad de individuos que cumplen
los requisitos necesarios, servirán como localizadores de otros con características
análogas.
Muestreo subjetivo por decisión razonada[editar]
En este caso las unidades de la muestra se eligen en función de algunas de sus
características de manera racional y no casual. Una variante de esta técnica es
el muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal forma
que la media de la muestra para determinadas variables se acerque a la media de la
población. La cual funciona sobre la base de referencias o por recomendación, después se
reconoce por medio de la estadística.

El muestreo: qué es y por

qué funciona
Cada vez que miro las estadísticas de este modesto blog, siempre observo la
misma pauta: el tráfico de visitas cumple de forma precisa el principio de
Pareto: el 20% de los posts generan el 80% de las visitas. Y entre este 20% de
posts más visitados destacan con mucha diferencia los posts dedicados a cómo
calcular el tamaño de una muestra representativa para hacer un estudio de
opinión.
Viendo el gran interés que despierta esta cuestión, nos proponemos inaugurar
hoy una serie de posts dedicados al muestreo: qué es, técnicas de muestreo,
cuando conviene usar una técnica u otra, etc. Esperamos que estos contenidos
sean de utilidad, ya sea a estudiantes de investigación, personas con
curiosidad en estos temas o profesionales que tengan estos conceptos un poco
oxidados.

¿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.

En la definición anterior hemos introducido dos términos fundamentales a lo

largo de esta serie de posts:

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

La generalización de resultados añade cierto error al mismo. Imagina que

tomamos una muestra al azar de 1.000 personas de México y les preguntamos
si fuman. Obtengo que el 25% de la muestra 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.
Afortunadamente, el error que cometo al generalizar resultados puede acotarse
gracias a la estadística. Para ello usamos dos parámetros: el margen de error,
que es la máxima diferencia que esperamos que haya entre el dato
observado en mi muestra y el dato real en el universo, y el nivel de confianza,
que es el nivel de certeza que tengo de que realmente el dato real esté dentro
del margen de error.

Por ejemplo, en nuestro caso de fumadores mexicanos, si selecciono una

muestra de 471 individuos y les pregunto si fuman, el resultado que obtenga
tendrá un margen de error máximo de +-5% con un nivel de confianza del
97%. Esta forma de expresar los resultados es la correcta cuando usamos
muestreo.

El tamaño de la muestra
¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende
del tamaño del universo y del nivel de error que esté dispuesto a aceptar, tal y
como explicábamos en su día en este post. 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.

Este fenómeno lo explican de forma muy didáctica en Gaussianos.com, un

interesante blog dedicado a las matemáticas. Supongamos que queremos hacer
una encuesta para saber un porcentaje (podría ser el de gente que fuma) con
un nivel de error determinado, por ejemplo un margen de error del 5% y una
confianza del 95%. Si el universo a estudiar fuese de tan sólo 100 personas,
mi muestra tendría que ser de 79,5 individuos (es decir, 79,5% del universo, lo
que representa 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%
 Muestra
Universo %
necesaria
10 10 100%
100 80 80%
1.000 278 27,8%
10.000 370 3,7%
100.000 383 0,38%
1.000.000 384 0,038%
10.000.000 385 0,004%
100.000.000 385 0,0004%

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

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 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).

En los próximos posts abordaremos qué tipos de muestreo existen, empezando

por las dos grandes familias de técnicas: el muestreo probabilistico y el no
probabilístico. ¡Os esperamos!

ÍNDICE: Serie Muestreo

1. El muestreo: qué es y por qué funciona
2. Muestreo probabilístico o no probabilístico
3. Muestreo probabilístico: muestreo aleatorio simple
4. Muestreo probabilístico: muestreo estratificado
5. Muestreo probabilístico: muestreo sistemático
6. Muestreo probabilísitico: muestreo por conglomerados
7. Muestreo no probabilístico: muestreo por conveniencia
8. Muestreo no probabilístico: muestreo por cuotas
9. Muestreo no probabilístico: muestreo por bola de nieve
10. Cómo se consiguen las muestras de material en los proyectos mineros? Lo
vemos en este breve extracto basado en un texto del “Curso de Recursos
minerales: desde la exploración hasta el estudio del impacto ambiental“.
11. Ranurado continuo (“Channel sampling”)
12. Esta técnica de muestreo está ampliamente extendida en minería, aunque
su uso se restringe cada vez más por razones de coste y rendimiento.
Consiste en la excavación de un canal estrecho y continuo, bien a lo largo
de la capa o vena o bien en ángulo recto al trazado de ésta (Figura 1). Las
dimensiones de la acanaladura suelen ser del orden de 8-10 cm de anchura
por 2-3 cm de profundidad, manteniéndose estas dimensiones lo más
constantes posible. Se toma como muestra el total del material excavado en
la acanaladura. Este se recoge en tela lisa o plástico extendido al pie del
lugar de la toma. Si se juntan varias muestras de una ranura para constituir
una única muestra, la cantidad de cada una debe ser proporcional a la veta
o capa respectiva. La separación o distancia entre acanaladuras depende
de las irregularidades o variaciones dentro de la masa mineralizada, no
siendo aconsejable, por pérdida de la representatividad de las muestras,
separaciones que superen los 5 metros.

13.
14. Figura 1. Muestreo en ranurado continuo.
15.
16. Ranurado discontinuo (“Chip sampling”)
17. Este método suele sustituir, en muchas ocasiones, al anterior por razones
de coste y rendimiento. Aquí el material no procede de una ranura del
cuerpo mineral sino de puntos distribuidos geométricamente en la masa
mineral, bien de forma lineal o bien formando una malla regular en dos
dimensiones. La distancia entre puntos es variable pero no debe superar
los 20 cm y la cantidad de muestra debe ser siempre igual (p.e. orificios de
45 mm de diámetro y unos 25-30 cm de profundidad). La definición de
intervalos fijos en la malla evita la tendencia subjetiva a muestrear en
exceso las zonas de ley más elevada. En ocasiones se realiza un muestreo
continuo del área entre puntos de malla de voladuras en los frentes de la
mina. Este tipo de muestreo es muy indicado para definir los ensayos
de cut-off en zonas de frentes con desarrollo minero posterior y es
particularmente útil en el control de leyes del mineral en minas productivas.
18. Muestreo a partir del material ya extraído (“grab sampling”)
19. Consiste en la recogida de muestras grandes a partir del material ya
extraído y acumulado en los frentes o bien en las zonas de acopio, así
como de las vagonetas y otros medios de transporte empleados para el
movimiento del mineral. Se recogen muestras de varios kilogramos, aunque
la cantidad adecuada depende del tamaño de los fragmentos grandes y de
 la naturaleza de la mineralización, tal como se verá en un apartado
posterior.
20. Este método de muestreo es altamente subjetivo y puede generar
importantes errores, dada la tendencia a tomar los fragmentos más
aparentes en cuanto a riqueza de mineral, la falta de una homogeneidad
real del material tanto en los acopios como en las vagonetas, la diferencia
de tamaños de los bloques y fragmentos, etc. Una posible reducción de
estos inconvenientes se alcanza al hacer una toma de muestras de forma
ordenada en las zonas de acopio. Así, el método de “cuerdas y nudos”
(string and knot, utilizado en las minas de oro de Val d´Or, Quebec) consiste
en extender el material extraído superponiendo en él varias cuerdas
regularmente espaciadas, cada una con nudos a intervalos fijos. En la
posición de cada uno de estos nudos se recoge una muestra con su peso
correspondiente y se hace una media entre muestras para obtener una ley
de conjunto.
21. Muestreo en masa (“bulk sampling”)
22. Este método consiste en la recogida de muestras de gran volumen
(frecuentemente varias toneladas y pudiendo llegar hasta las 500 toneladas
o incluso más). Se utiliza en yacimientos de muy baja ley (p.e. diamantes,
oro aluvionar o platino) en los que las pequeñas desviaciones en la ley
pueden tener un efecto crítico, y, sobre todo, como aporte de mineral a una
planta piloto.
23. Muestreo en sondeos (“drill sampling”)
24. La realización de sondeos en minería resulta una labor sumamente
frecuente, por lo que su adecuado muestreo resulta básico, tanto en la
etapa de exploración como en la de evaluación e, incluso, en la de
explotación. Tal como se comentó en el capítulo anterior, dos son las
situaciones básicas que nos podemos encontrar a la hora de muestrear
sondeos: muestras de testigo continuo y muestras en polvo. En el primer
caso, y después del lavado y acondicionamiento del testigo, éste se divide
en segmentos según su eje (Figura 2), normalmente dos, uno de los cuales
se utiliza para el análisis de leyes y el otro se guarda en la caja
correspondiente para ulteriores análisis o comprobaciones. El tamaño del
trozo de sondeo para cada muestra no debe de exceder el metro y medio,
ni ser inferior a 20 cm. Cuando se van a hacer, posteriormente, estudios
geostadísticos, las muestras tomadas deben tener una longitud constante
en las diferentes partes del sondeo o entre los diferentes sondeos
efectuados. Por último, hay que hacer constar que el porcentaje de
recuperación del testigo es un dato de gran interés, pues recuperaciones
inferiores al 75% pueden introducir serios errores a la hora de la evaluación.

25.
26. Figura 2. Muestreo en sondeos.
27.
28. En el segundo caso, muestras en polvo procedentes, por ejemplo, de una
máquina de sondeos de circulación inversa, la propia máquina suele llevar
incorporado un ciclón en el que se recogen los detritus, normalmente con
dos salidas para permitir obtener dos copias idénticas de cada muestra.
Estas se acumulan en bolsas que posteriormente son testificadas, como
puede verse en la figura 3.

29.
30. Figura 3. Bolsas para muestreo.
31.