Universidad de El Salvador

Facultad de Ciencias Económicas

Escuela de Mercadeo Internacional

Materia: Metodología de la investigación de mercados.

Grupo Teórico: 01.

Docente: Máster Norma Yessenia Echegoyén Jiménez.

Contenido: “Resumen Capítulo 8: Selección de la muestra”:

Presentado por:

Nombre completo: Carnet

Cinthya Beatriz Ayala Romero. AR18102

Paola Lisbeth Calderón Amaya. CA17005

Silvia Beatriz Gómez Guzmán. GG19052

Silvia Gabriela Mena Guzmán. MG16084

Fátima Elizabeth Mena Guzmán. MG16124

Ciudad Universitaria, 31 de agosto de 2021.

Resumen Capítulo 8: Selección de la muestra.

Toda investigación debe ser transparente, así como estar sujeta a crítica y réplica , y este
ejercicio solamente es posible si el investigador delimita con claridad la población

estudiada y hace explícito el proceso de selección de su muestra.

En el capítulo se analizan los conceptos de muestra , población o universo, tamaño de la

muestra, representatividad de la muestra y procedimiento de selección . También se

presenta una tipología de muestras: probabilísticas y no probabilísticas . Se explica cómo

definir las unidades de muestreo (participantes, otros seres, objetos, procesos,

colectividades o sucesos), de las cuales se habrán de recolectar los datos . Así mismo, se
explica cómo determinar el tamaño adecuado de una muestra cuando pretendemos

generalizar los resultados a una población y cómo proceder para obtener la muestra ,

dependiendo del tipo de selección elegido.

En la mayoría de investigaciones se obtienen una muestra , sólo cuando queremos efectuar

un censo debemos incluir todos los casos (personas , animales, plantas, objetos) del

universo o la población, por ejemplo, los estudios motivacionales en empresas suelen

abarcar a todos sus empleados para evitar que los excluidos piensen que su opinión no se

toma en cuenta. Las muestras se utilizan por economía de tiempo y recursos.

En las unidades de muestreo, el interés se centra en “que o quienes” es decir en los

participantes, objetivos, sucesos o colectividades de estudio. Para seleccionar una muestra,

lo primero que hay que hacer es definir la unidad de muestreo/análisis (si se trata de

individuos, organizaciones, periodos, comunidades, situaciones, piezas producidas,

eventos, etc.). Una vez definida la unidad de muestreo/análisis se delimita la población.

La muestra es un subgrupo de la población de interés sobre el cual se recolectarán datos , y

que tiene que definirse y delimitarse de antemano con precisión, además de que debe ser
representativo de la población. Una vez que se ha definido cuál será la unidad de

muestreo/análisis, se procede a delimitar la población que va a ser estudiada y sobre la cual

se pretende generalizar los resultados.

Al seleccionar la muestra debemos evitar tres errores que pueden presentarse:

1) desestimar o no elegir casos que deberían ser parte de la muestra (participantes que
deberían estar y no fueron seleccionados)

2) incluir casos que no deberían estar porque no forman parte de la población

3) seleccionar casos que son verdaderamente inelegibles.

El muestreo se clasifica en dos grandes grupos. Unos son los probabilísticos, basados en

el fundamento de la probabilidad estadística , estos utilizan métodos que buscan que todos
los sujetos de una población tengan la misma probabilidad de ser seleccionados para

representarla y formar parte de la muestra, generalmente son los más utilizados porque

buscan mayor representatividad.

En los métodos no probabilísticos se seleccionan cuidadosamente los sujetos de la

población utilizando criterios específicos, buscando hasta donde sea posible la

representatividad. En este tipo de muestreo el procedimiento no es mecánico ni se basa en

fórmulas de probabilidad, sino que depende del proceso de toma de decisiones de un

investigador o de un grupo de investigadores y, las muestras seleccionadas obedecen a

otros criterios de investigación.

Elegir entre una muestra probabilística o una no probabilística depende el planteamiento del

estudio, del diseño de investigación y de la contribución que se piensa hacer con ella.

Las muestras probabilísticas tienen muchas ventajas , una de las principales es que puede

medirse el tamaño de error en nuestras predicciones . Es necesario conocer y evitar el error

de muestreo, esto es hacer conclusiones muy generales a partir de la observación de una
parte de la población y el error de inferencia en el que se hacen conclusiones hacia una

población mucho más grande de lo que originalmente se tomó la muestra . El objetivo

principal de este tipo de muestreo es reducir al mínimo este error , al que se llama error

estándar.

Para hacer una muestra probabilística son necesarios dos procedimientos:

1. Calcular un tamaño de muestra que sea representativo de la población.

2. Seleccionar los elementos muestrales (casos) de manera que al inicio todos tengan

la misma posibilidad de ser elegidos.

Para realizar el primer procedimiento se recomienda utilizar el programa STATS® con el

subprograma Tamaño de la muestra (Sample Size Determination) . También se puede

calcular el tamaño de la muestra mediante las fórmulas clásicas que se han ido

desarrollando a lo largo del tiempo. Sin embargo, es más tardado y el resultado es el mismo

o muy similar al que proporciona STATS®.

Para calcular la muestra en STATS® lo primero es conocer el tamaño de la población . Al

abrir el subprograma Tamaño de la muestra (Sample Size Determination) , el programa va a

pedir los siguientes datos:

 Universe size (tamaño del universo/población)

 Maximum Acceptable Percentage Points of Error (error máximo aceptable)
 Estimated Percentage Level (porcentaje estimado de la muestra)
 Desired Confidence Level (nivel deseado de confianza)

El error máximo aceptable se refiere a un porcentaje de error potencial que admitimos

como tolerancia de que nuestra muestra no sea representativa de la población . Los niveles
de error más comunes que suelen fijarse en las investigaciones son de 5% a 1% (en ciencias

sociales es más usual el 5%).

El porcentaje estimado de la muestra es la probabilidad de ocurrencia del fenómeno

(representatividad de la muestra o no representatividad) , la cual se estima sobre marcos de

muestreo previos o se define. La certeza total siempre es igual a uno, por lo que (p+q=1),
donde:

p= las posibilidades de que si ocurra

q= las posibilidades de que no ocurra

Cuando no se tienes marcos previos , usamos un porcentaje estimado de 50%, es decir,

asumimos que “p” y “q” serán de 50% (igual probabilidad).

El nivel deseado de confianza es el complemento del error máximo aceptable , es decir,

acertar en la representatividad de la muestra. Si el error elegido fue de 5% , el nivel deseado

de confianza será del 95%.

Una vez rellenados todos los campos, solo se presiona el botón calcular y se obtiene el

tamaño de la muestra representativo del universo.

En el muestreo probabilístico estratificado se divide a la población en estratos o

subgrupos menores, parecidos internamente respecto a una característica, pero

heterogéneos entre ellos, diferenciándolos pro una variable que resulte de interés para la

investigación, por ejemplo: según la profesión, municipio, estado civil o sexo.

Cada estrato se considera como una población de forma independiente y dentro de ellos se
puede utilizar el muestreo aleatorio simple o el estratificado para elegir los elementos que

formaran parte de la muestra, buscando que todos los estratos sean representados.
La estratificación aumenta la precisión de la muestra e implica el uso deliberado de

diferentes tamaños de muestra para cada estrato , a fin de lograr reducir la varianza de cada

unidad de la media muestral. Esto nos lleva a la siguiente formula:

nh
ksh=
Nh

En donde nh y Nh son la muestra y población de cada estrato y ksh es la desviación

estándar de cada elemento en un determinado estrato . Para obtener el tamaño de la muestra

para el estrato tenemos que multiplicar el tamaño de la subpoblación por esta fracción

constante, por lo que tenemos que:

( Nh )( fh ) =nh

El muestreo por racimos es una técnica que divide la población principal en varias
secciones y el análisis se lleva a cabo en una muestra que consta de múltiples parámetros,
como datos demográficos, hábitos, antecedentes o cualquier otro atributo de la población

que pueda ser el foco de la investigación realizada.

En lugar de seleccionar toda la población de datos , el muestreo por racimos permite a los

investigadores recopilarlos en grupos pequeños.

Muestrear por racimos implica diferenciar entre la unidad de análisis y la unidad muestral.

La unidad de análisis indica quiénes van a ser medidos , es decir, los participantes o casos a

quienes en última instancia vamos a aplicar el instrumento de medición . La unidad

muestral se refiere al racimo por medio del cual se logra el acceso a la unidad de análisis .

El muestreo por racimos supone una selección en dos o más etapas , todas con

procedimientos probabilísticos. En la primera, se seleccionan los racimos siguiendo los

pasos ya señalados de una muestra probabilística simple o estratificada . En las fases

subsecuentes, y dentro de estos racimos, se seleccionan los casos que van a medirse . Para
ello se hace una selección que asegure que todos los elementos del racimo tienen la misma

probabilidad de ser elegidos, siempre se utiliza una selección aleatoria que garantiza que al
inicio del procedimiento todos los elementos de la población tienen la misma probabilidad

de ser elegidos para integrar la muestra.

Las unidades de análisis o los elementos muestrales se eligen siempre aleatoriamente para

asegurarnos de que cada elemento tenga la misma probabilidad de ser elegido . Se utilizan

básicamente tres procedimientos de selección , de los cuales a continuación se comentan

dos y el tercero se expone en el centro de recursos en línea: Material complementario S

Documentos S Documento 1 “Cálculo de muestra”.

La Tómbola, consiste en numerar todos los elementos muestrales de la población , del uno

al número N. Después se hacen fichas o papeles, uno por cada elemento, se revuelven en

una caja y se van sacando n número de fichas , según el tamaño de la muestra . Los números

elegidos al azar conformarán la muestra. Cuando nuestro muestreo es estratificado, se sigue

el procedimiento anterior, pero por cada estrato.

STATS® Una excelente alternativa para generar números aleatorios se encuentra en el

programa STATS®, que contiene un subprograma para ello (Random Number Generator)

y evita el uso de la tabla de números aleatorios . Es hasta ahora la mejor forma que hemos

encontrado para hacerlo. El programa pide que le indiquemos cuántos números aleatorios

requerimos. Entonces, tecleamos el tamaño de muestra. Elegimos la opción:} “Establecer

límite superior e inferior” y nos solicita que establezcamos el límite inferior (que siempre

será uno, el primer caso de la población, pues la muestra se extrae de ésta) y el límite

superior (el último número de la población , que es el tamaño de la muestra) . Tecleamos

Calcular (Calculate) y genera automáticamente los números . Vemos contra nuestro listado
a quién o a qué corresponde cada número y éstos son los casos que pasarían a integrar la

muestra.

Selección sistemática de elementos muestrales este procedimiento de selección es muy

útil e implica elegir dentro de una población N un número n de elementos a partir de un

intervalo K. Este último (K) es un intervalo que se determina por el tamaño de la población

y el tamaño de la muestra . Así, tenemos que K = N/n, en donde K = un intervalo de

selección sistemática, N = la población y n = la muestra.

Los listados y otros marcos muéstrales necesitan la muestra probabilística que requieren la
determinación del tamaño de la muestra y de un proceso de selección aleatoria que asegure

que todos los elementos de la población tengan la misma probabilidad de ser elegidos .
Todo esto lo hemos visto, aunque falta algo esencial que precede a la selección de una

muestra: el marco muestral. Éste constituye un marco de referencia que nos permite
identificar físicamente los elementos de la población, la posibilidad de enumerarlos y, por
ende, de proceder a la selección de las unidades muéstrales (los casos de la muestra)

(Morgan, 2008 y Sudman, 1976). Normalmente se trata de un listado existente o una lista

que es necesario confeccionar ad hoc, con los casos de la población.

Los listados existentes de una población son variados: guías telefónicas, listas de miembros
de las asociaciones, directorios especializados, listas oficiales de escuelas de la zona, bases
de datos de los alumnos de una universidad o de los clientes de una empresa, registros
médicos, catastros, nóminas de una organización, padrones de exportadores, inventarios de

productos y almacén, etc.

Desde luego, no siempre existen listas que permitan identificar a nuestra población .
Entonces, será necesario recurrir a otros marcos de referencia que contengan descripciones
del material, las organizaciones o los casos que serán seleccionados como unidades de

análisis. Algunos de estos marcos son los archivos (físicos, electrónicos, en la web, etc .) y
los mapas. De estas instancias daremos algunos ejemplos con más detalles y

recomendaremos soluciones para algunos problemas comunes en el muestreo.

Tal como se mencionó, las muestras probabilísticas requieren dos procedimientos básicos:
1) la determinación del tamaño de la muestra y 2) la selección aleatoria de los elementos

muéstrales. Para lo primero, al lector le será muy útil comparar qué tamaño de muestra han

empleado o sugieren diversos metodólogos e investigadores.

El tamaño de una muestra depende también del número de subgrupos que nos interesan en

una población. Por ejemplo, podemos subdividirla en hombres y mujeres de cuatro grupos
de edad o, aún más, en hombres y mujeres de cuatro grupos de edad en cada uno de cinco

niveles socioeconómicos.

La muestra no probabilística, son también llamadas muestras dirigidas, suponen un

procedimiento de selección orientado por las características de la investigación , más que

por un criterio estadístico de generalización . Estas son usadas para las investigaciones

cualitativas y cuantitativas. En esta se seleccionan individuos sin intentar que sean

estadísticamente representativos de una población determinada. 

Cuando hablamos de deductivos-cuantitativos, se dice que es el método que ofrece una

validez total en la cual se evalúa todos los tipos de evidencia , cuanto más exista se otorga

control sobre los fenómenos, volviéndose más fiable el estudio, para fines de investigación

deductivos-cuantitativos, cuando la generalización o extrapolación de resultados hacia la

población es una finalidad en sí misma, las muestras dirigidas implican algunas

desventajas. Entre las desventajas que se pueden mencionar que , al no ser probabilísticas ,

no es posible calcular con precisión el error estándar , es decir, no podemos determinar con

qué nivel de confianza hacemos una estimación. 

La ventaja de una muestra no probabilística desde la visión cuantitativa , es útil para
determinados diseños de estudio que requieren no tanto una representatividad de elementos

de una población, sino una cuidadosa y controlada elección de casos con ciertas

características especificadas previamente en el planteamiento del problema. 

Para el enfoque cualitativo, al no interesar tanto la posibilidad de generalizar los resultados ,

las muestras no probabilísticas son de gran valor , pues logran obtener los casos (personas ,

objetos, contextos, situaciones) que interesan al investigador y que llegan a ofrecer una

gran riqueza para la recolección y el análisis de los datos . Un ejemplo que podemos obtener
de una muestra no probabilística es el estudio descriptivo de la revista Rolling Stone

comentado en el capítulo cinco, el cual se basó en dos encuestas para determinar los 500

mejores discos de la historia del rock en todas sus expresiones. La primera muestra fue de

271 músicos, productores, ejecutivos y periodistas, y la segunda de 100. En ambas

muestras la selección no obedeció a cuestiones de probabilidad , sino que los jueces fueron

elegidos por ser considerados expertos.

El muestreo al azar por marcado telefónico o Random Digit Dialing es una técnica que

ocupan los investigadores para seleccionar muestras telefónicas . Esta técnica involucra
identificar áreas geográficas (para ser muestreadas al azar) y sus correspondientes códigos

telefónicos e intercambios (los primeros dígitos del número telefónico que las identifican) .

Luego, los demás dígitos del número que se va a marcar pueden ser generados al azar de

acuerdo con los casos que se requieren para la muestra (n) . Es posible reconocer qué
intercambios son usados de forma primaria para teléfonos residenciales y enfocar el

muestreo en ese subgrupo. Asimismo, es muy útil para incluir en muestras a teléfonos

celulares o móviles y aparatos con GPS.

Es importante elegir los casos adecuados, de acuerdo con el planteamiento del problema y

lograr el acceso a ellos. Los estudios exploratorios regularmente emplean muestras

dirigidas, aunque podrían usarse muestras probabilísticas. La mayor parte de las veces, las

investigaciones experimentales utilizan muestras dirigidas, ya que es difícil manejar grupos

grandes o múltiples casos. Las investigaciones no experimentales descriptivas o

correlacionales-causales deben emplear muestras probabilísticas si quieren que sus

resultados sen generalizados a la población.