LA MUESTRA

INTRODUCCIN
La experimentacin es un procedimiento de observacin controlada, y al llevar a
cabo un experimento, partimos con el objetivo de obtener las bases para una conclusin
generalizable. La validez de la generalizacin de los resultados obtenidos en el
experimento va a estar relacionada, en gran medida, con el grado en que los sujetos con
los que hemos trabajado sean representativos de la poblacin a la que queremos
generalizar nuestros resultados, nuestras conclusiones.
El problema que se nos plantea, entonces, es el de cmo conseguir esa
representatividad; es decir, cmo elegir a los sujetos de nuestro experimento y conseguir
que sean representativos de la poblacin a la que pertenecen.
En este trabajo de la asignatura Mtodos de investigacin sociolgica,
realizado por dos miembros de dicha asignatura optativa, vamos a estudiar el concepto
de muestreo, as como los errores que podemos cometer al emplear una muestra en
nuestra investigacin.
1. CONCEPTO DE MUESTRA
El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica
es determinar qu parte de una realidad en estudio (poblacin o universo) debe
examinarse con la finalidad de hacer inferencias sobre dicha poblacin. El error que se
comete debido al hecho de que se obtienen conclusiones sobre cierta realidad a partir de
la observacin de slo una parte de ella, se denomina error de muestreo. Obtener una
muestra adecuada significa lograr una versin simplificada de la poblacin, que
reproduzca de algn modo sus rasgos bsicos.
Antes de seguir definiendo el concepto de muestra consideramos necesario
definir una serie de trminos:
-

Poblacin objeto: conjunto de individuos de los que se quiere obtener una

informacin.

Unidades de muestreo: nmero de elementos de la poblacin, no solapados, que

se van a estudiar. Todo miembro de la poblacin pertenecer a una y slo una
unidad de muestreo.

Unidades de anlisis: objeto o individuo del que hay que obtener la informacin.

Marco muestral: lista de unidades o elementos de muestreo.

Muestra: conjunto de unidades o elementos de anlisis sacados del marco.

La hiptesis de un experimento debe referirse a hechos y situaciones tan especficas

como sea posible a fin de facilitar su comprobacin experimental.
Del mismo modo en que la experimentacin exige la particularizacin de los
conceptos en trminos de operaciones especficas, es decir, la definicin operacional de
las variables incluidas en la investigacin, as, tambin, es necesario elegir sujetos
particulares para cada experimento, ya que, normalmente, no vamos a poder utilizar en
el mismo a todos los organismos a los que despus pretendemos generalizar nuestras
conclusiones.
En suma, el cientfico, al serle imposible utilizar a toda la poblacin como sujetos de
su experimento, se ve obligado a seleccionar un menor nmero de personas de la
misma. Este menor nmero de personas que sirven de sujetos en el experimento es lo
que vamos a denominar muestra.
El concepto de poblacin, usado en su sentido ms amplio, hace referencia a todos
los sujetos miembros de una clase particular que tienen una o ms caractersticas en
comn.
Ejemplos de poblaciones seran:
-

Alumnos de 2 curso de psicopedagoga de la Universidad de Ciencias de la

Educacin de Crdoba

Alumnos de 2 curso de psicopedagoga de todas las universidades espaolas

Mujeres casadas de ms de 20 aos y que lleven 10 aos viviendo en Crdoba.

Cuando el investigador puede medir alguna caracterstica de todos los miembros de

la poblacin, puede calcular, por ejemplo, la media y al desviacin tpica de las
puntuaciones de todos los sujetos. Estas medidas obtenidas a partir de toda la
poblacin se denominan parmetros de la poblacin.
Pero, como ya hemos dicho, es prcticamente imposible obtener alguna medida
de alguna caracterstica de la poblacin completa. Por ellos, el cientfico se debe
contentar en la mayora de las ocasiones, con seleccionar un grupo de sujetos, al que
llamamos muestra, pertenecientes a dicha poblacin y medir una conducta particular
en los miembros de dicha muestra.

Las puntuaciones basadas en los datos recogidos de una muestra se denominan

estadsticos. A partir de las puntuaciones obtenidas en la muestra nos va a ser
posible, luego, estimar los parmetros de la poblacin correspondiente.
2. TIPOS DE MUESTREO
Se hace la distincin entre mtodos de muestreo probabilstica y el no probabilstica.
Los mtodos de muestreo no probabilsticos no garantizan la representatividad de la
muestra y por lo tanto no permiten realizar estimaciones inferenciales sobre la
poblacin.
Las muestras no probabilsticas ms usadas son:
-

Muestra accidental. Es aquella que se obtiene sin ningn plan preconcebido; las
unidades elegidas resultan producto de circunstancias fortuitas. Si entrevistamos
a los primeros 50 transentes que pasan por cierta calle o medimos la
profundidad del mar a lo largo de un trayecto entre dos puntos cualesquiera,
estaremos en presencia de una muestra accidental; los datos obtenidos podrn o
no representar al universo en estudio. El investigador no puede saber hasta qu
punto sus resultados podrn proyectarse, con confiabilidad, hacia el conjunto
ms amplio que desea conocer.

Muestra por cuotas. Consiste en predeterminar la cantidad de elementos de cada

categora que habrn de integrar la muestra. As podemos asignar una cuota de
50 hombres y 50 mujeres a una muestra de 100 individuos, asumiendo que sa
es la distribucin de la poblacin total. Por ms que esa presuncin llegue a ser
vlida, no deja de existir cierta arbitrariedad en este modo de proceder, por lo
que la rigurosidad estadstica de las muestras por cuotas se reduce
considerablemente.

Muestra intencional. Las unidades se eligen en forma arbitraria, designando a

cada unidad segn caractersticas que para el investigador resulten de relevancia.
Se emplea, por lo tanto, el conocimiento y la opinin personal para identificar
aquellos elementos que deben ser incluidos en la muestra. Se basa,
primordialmente, en la experiencia de alguien con la poblacin. Estas muestras
son muy tiles y se emplean frecuentemente en los estudios de caso, por ms
que la posibilidad de generalizar conclusiones a partir de ellas, sea en rigor nula.
En algunas oportunidades se usan como gua o muestra tentativa para decidir
cmo tomar una muestra aleatoria ms adelante.
3

Los mtodos de muestreo probabilsticas otorgan una probabilidad conocida de

integrar la muestra a cada elemento de la poblacin, y dicha probabilidad no es nula
para ningn elemento.
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin
encontramos:
-

Muestreo aleatorio simple

Muestreo estratificado

Muestreo sistemtico

Muestreo polietpico o por conglomerados

A continuacin adjuntamos una tabla donde recogemos las ventajas e inconvenientes

de los distintos tipos de muestreo probabilstica:

ALEATORIO SIMPLE

ESTRATIFICADO

CARACTERISTICAS
Se selecciona una
muestra de tamao n de
una poblacin de N
unidades, cada
elemento tiene una
probabilidad de
inclusin igual y
conocida de n/N.

VENTAJAS
-Sencillo y de fcil
comprensin.
-Clculo rpido de
medias y varianzas.
-Se basa en la teora
estadstica, y por tanto
existen paquetes
informticos para
analizar los datos

INCONVENIENTES
-Requiere que se posea
de antemano un listado
completo de toda la
poblacin.
-Cuando se trabaja con
muestras pequeas es
posible que no
represente a la
poblacin
adecuadamente

En ciertas ocasiones
resultar conveniente
estratificar la muestra
segn ciertas variables
de inters. Para ello
debemos conocer la
composicin
estratificada de la
poblacin objetivo a
muestrear. Una vez
calculado el tamao
muestral apropiado,
este se reparte de
manera proporcional
entre los distintos
estratos definidos en la
poblacin usando una
simple regla de tres.

-Tiende a asegurar que

la muestra represente
adecuadamente a la
poblacin en funcin de
unas variables
seleccionadas.
-Se obtienen
estimaciones ms
precisa
-Su objetivo es
conseguir una muestra
lo mas semejante
posible a la poblacin
en lo que a la o las
variables
estratificadoras se
refiere.

-Se ha de conocer la
distribucin en la
poblacin de las
variables utilizadas para
la estratificacin

SISTEMTICO

CONGLOMERADOS

-Conseguir un listado
de los N elementos de
la poblacin
-Determinar tamao
muestral n.
-Definir un intervalo
k=N/n.
-Elegir un nmero
aleatorio, r, entre 1 y k
(r=arranque aleatorio).
-Seleccionar los
elementos de la lista.

-Fcil de aplicar.
-No siempre es
necesario tener un
listado de toda la
poblacin.
-Cuando la poblacin
est ordenada siguiendo
una tendencia conocida,
asegura una cobertura
de unidades de todos
los tipos.

Si la constante de
muestreo est asociada
con el fenmeno de
inters, las estimaciones
obtenidas a partir de la
muestra pueden
contener sesgo de
seleccin

-Se realizan varias fases

de muestreo sucesivas
(polietpico)
-La necesidad de
listados de las unidades
de una etapa se limita a
aquellas unidades de
muestreo seleccionadas
en la etapa anterior.

-Es muy eficiente

cuando la poblacin es
muy grande y dispersa.
-No es preciso tener un
listado de toda la
poblacin, slo de las
unidades primarias de
muestreo.

-El error estndar es

mayor que en el
muestreo aleatorio
simple o estratificado.
-El clculo del error
estndar es complejo.

3. MUESTRAS SESGADAS Y NO SESGADAS

Si el cientfico va a pretender generalizar las conclusiones y resultados obtenidos a
partir de la muestra a la poblacin de la que proceda dicha muestra, es necesario y
fundamental que se asegure de que sta es una buena representacin, es representativa,
de la poblacin de la que procede.
E grado de representatividad de la muestra, con relacin a la poblacin, nos va a
venir dado por le grado en que el estadstico muestral se aproxima al parmetro de la
poblacin.
El problema central que se le plantea al investigador, al intentar llegar a conseguir
dicha correspondencia, es el de hacer una seleccin apropiada de los sujetos que van a
participar en el experimento, de forma tal que sean una buena representacin de la
poblacin de la que proceden.
Actualmente, como hemos visto en el punto anterior, existen diversos mtodos para
conseguir que las muestras sean realmente representativas de la poblacin. Sin embargo,
de todos ellos, el ms usado es el de la seleccin aleatoria de los sujetos de la muestra.
Diremos que una muestra es elegida al azar, es aleatoria, cuando todos y cada uno de
los miembros de la poblacin han tenido la misma probabilidad de pertenecer a al
muestra.

Esto no significa, sin embargo, que todos los diferentes tipos de sujetos incluidos en
la poblacin deban estar incluidos, necesariamente, en la muestra. El nico requisito
imprescindible para construir una muestra aleatoria es, como hemos dicho, que todos los
sujetos pertenecientes a la poblacin a la que vamos a generalizar los resultados
obtenidos en nuestra investigacin, tengan la misma probabilidad de pertenecer a la
muestra.
Virtualmente, todas las pruebas paramtricas de significacin estn basadas en la
seleccin aleatoria de los sujetos que componen la muestra.
Cuando trabajamos con una muestra formada sin que haya habido restriccin alguna
para la inclusin en al misma de cada sujeto de la poblacin y no hay, por tanto, base
cierta para dudar de su representatividad, diremos que se trata de una muestra no
sesgada.
Esta denominacin est basada en al supuesta existencia terica de una distribucin
muestral de un determinado estadstico (por ejemplo, la media) a partir de un nmero
infinito de muestras iguales. Si consideramos un nmero infinito de muestras no
sesgadas iguales y obtenidas independientemente de la misma poblacin, al distribucin
de frecuencias de los estadsticos correspondientes a dichas muestras (la distribucin
muestral de la media, por ejemplo) tendr como media el parmetro de la poblacin (la
media de la poblacin en nuestro caso).
Una muestra sesgada ser, por consiguiente, aquella muestra cuya media sea
significativamente diferente de la media de la poblacin, es decir, aquella muestra que
difiera de la media de la distribucin muestral.
Una restriccin de cualquier tipo sobre la inclusin de un determinado sujeto en una
muestra, sesga la muestra, hace que la muestra no sea representativa de la poblacin a la
que pretendamos generalizar nuestros resultados.
Sesgo significa que una muestra no es representativa debido a una restriccin
incluida en el proceso de seleccin de los sujetos, introduciendo un error sistemtico.
Cuando la media de la distribucin muestral no corresponda con la media de la
poblacin estaremos ante un error sistemtico.
La nica muestra igual a la poblacin es la poblacin misma. Por eso cuanto
mayor sea la muestra mejor ser nuestra investigacin, pues aumenta la
representatividad de la misma. Sin embargo, en la investigacin psicolgica hay buenas
razones para, en ocasiones, seleccionar muestras relativamente pequeas y, a veces,
trabajar con un solo sujeto.
6

4. EL ERROR MUESTRAL
Como su nombre indica error es algo que no es correcto o algo que se desva de
algn patrn. Es algo que est equivocado, que no debera ser, siempre con arreglo a un
modelo, norma etc. que se de por vlido.
El error muestral es la diferencia existente entre el parmetro de la poblacin y
el correspondiente estadstico de la muestra. Es la desviacin que nos podemos
encontrar de muestra a muestra y que es debida a las caractersticas de la poblacin no
representadas en la muestra.
En el caso de haber utilizado un procedimiento aleatorio para construir nuestra
muestra, este error ser accidental y no sistemtico, y ser el caso en que podamos
considerar que la media de nuestra muestra es una buena representacin de la media de
la poblacin y podamos considerarla como no sesgada, como representativa de la
poblacin.
4.1 Tipos de error muestral
Al utilizas el procedimiento aleatorio para formas su muestra, el experimentador
est relativamente seguro de poder generalizar sus resultados a la poblacin de la que
procede la muestra, pues sta es representativa de aquella. Dicha aleatorizacin es la
que proporciona al investigador la justificacin ante la comunidad cientfica de la
validez de la generalizacin que hace de sus conclusiones.
Sin embargo, como hemos visto, puede existir un error accidental an y cuando
la muestra sea representativa de la poblacin, lo que puede llevarnos a tomar una
incorrecta decisin sobre la hiptesis nula.
Veamos, brevemente, los distintos tipos de error muestral que se pueden
cometer:
4.1.1.- Error de tipo S
Accidentalmente, una muestra puede incluir un nmero desproporcionado de
sujetos con alguna caracterstica peculiar como, por ejemplo, de ms inteligencia, ms
extrovertidos, ms activos, o ms autoritarios en relacin a los existentes en la
poblacin. Estos y otros accidentes de muestreo de los que resulta una no
representatividad de una muestra son los llamados errores muestrales de tipo S. El error
de tipo S puede dar lugar a una ambigua interpretacin de los resultados del
experimento.
7

La presencia de un error de tipo S puede aumentar la posibilidad de aceptar la

hiptesis nula o de rechazarla, en funcin de cmo venga la muestra afectada por dicho
error. Una buena investigacin minimizar la posibilidad de que un error de tipo S
debido a diferencias individuales no buscadas influya en los resultados experimentales.
4.1.2. Error de tipo G
Durante la realizacin del experimento pueden ocurrir cambios en el ambiente
fsico o social que pueden alterar las puntuaciones de alguno de los grupos de
sujetos.
Esta influencia accidental de algn aspecto ambiental que, inadvertidamente,
influye en las puntuaciones de los sujetos es denominado error muestral de tipo G.
Es decir, que el error de tipo G est causado por factores ambientales o sociales
exteriores a la muestra de sujetos.
Como conclusin, podemos decir que el investigador debe preocuparse al
mximo por eliminar o minimizar los errores muestrales que pueden, en algunos
casos, llegar a invalidar sus resultados.
4.2. Reduccin del error muestral
Veamos, ahora, las distintas tcnicas y mtodos que se pueden seguir para
minimizar esos errores muestrales que podemos cometer y que acabamos de
comentar.
4.2.1. Emplear una muestra grande
La seleccin de un amplio nmero de sujetos para nuestra muestra, va a
minimizar la posibilidad de ocurrencia de un error muestral de tipo S, ya que a
medida que la muestra decrece, aumenta la probabilidad de que importantes
caractersticas de la poblacin se omitan o estn desproporcionadamente
representadas.
4.2.2. Hacer un muestreo estratificado
Este mtodo sirve para controlar el error de tipo S. Consiste en dividir a
la poblacin en una serie de categoras en funcin de alguna caracterstica
relacionada con el experimento y seleccionar aleatoriamente de cada categora un
nmero proporcional de sujetos para la muestra. sto se realiza porque algunas
8

caractersticas de la poblacin pueden ser ms relevantes que otras para los

resultados experimentales.
La estratificacin sera, pues, una forma de asegurar la representatividad de la
muestra imponiendo unas ciertas restricciones a la composicin de la misma.
La propia estratificacin nos va a garantizar una proporcin balanceada de
sujetos de cada nivel de las caractersticas en cuestin.
De gran importancia para utilizar el procedimiento de la estratificacin es el
hecho obvio de que es necesario conocer previamente si la caracterstica que vamos
a estratificar es relevante al fenmeno que vamos a estudiar en el experimento, ya
que si no lo es no merece la pena tomarse el esfuerzo suplementario que supone
hacer la estratificacin.
Hay razones de orden lgico y de orden prctico para limitar el uso del
procedimiento de la estratificacin y no abusar del mismo:
a-

La estratificacin puede no ser prctica en el caso de que no dispongamos

de informacin previa sobre las posibles relaciones

entre las

caractersticas que vamos a estratificar y el fenmeno que estamos

estudiando.
b-

La estratificacin requiere un mayor esfuerzo y un mayor tiempo que la

simple aleatorizacin. Por ellos, deberemos estar seguros de que va a
proporcionarnos mejores resultados antes de decidirnos a utilizarla.

4.2.3. Uso de diseos experimentales especiales

Se puede controlar la posible aparicin de un error muestral de tipo G pasando
cada tratamiento a grupos distintos se sujetos y obteniendo como resultado en la
variable dependiente la combinacin de los resultados de todos estos grupos.
Esta tcnica tiene, sin embargo, ciertos inconvenientes, por lo que es necesario
aplicarla con precauciones. De dichos inconvenientes, los principales son:
-

Es necesario un mayor esfuerzo experimental

Es necesario disponer de un mayor nmero de sujetos

Al aumentar el nmero de grupos, es ms fcil que cometamos algn error

accidental al hacer las asignaciones aleatorias de los sujetos.

4.2.4. Replicaciones sucesivas de la investigacin

Esta tcnica nos permite controlar tanto el error de tipo S, como el error de tipo
G. Consiste en repetir el experimento con distintos sujetos el mayor nmero posible de
veces, manteniendo constantes todas las condiciones experimentales.
Este procedimiento es denominado por algunos autores, como ANDERSON
(1978) como diseo de replicaciones aleatorias.
Las replicaciones del experimento estarn, pues, destinadas a proporcionar una
mayor fiabilidad a los resultados experimentales.
CONCLUSIN
A modo de conclusin de la informacin recopilada y del trabajo expuesto
adjuntamos el siguiente esquema-resumen:

POBLACIN

SESGADA

NO REPRESENTATIVA

NO SESGADA

REPRESENTATIVA

ERROR MUESTRAL

AZAR
MUESTRA GRANDE

MUESTRA

MUESTREO
ESTRATIFICADO
TIPO S
DISEOS ESPECIALES
REPLICACIONES
SUCESIVAS

ERROR MUESTRAL

DISEOS ESPECIALES
TIPO G
REPLICACIONES
SUCESIVAS

10

RECURSO BIBLIOGRFICOS UTILIZADOS:

http://www.monografias.com/trabajos11/tebas/tebas.shtml
http://server2.southlink.com.ar/vap/MUESTREO.htm
http://www.hsa.es/id/investigacion/uai/uai_docs/muestreo/muestreo.htm
http://sameens.dia.uned.es/Trabajos4/T4A/T4_HensPerezMJ/error.htm
http://www.tdx.cesca.es/TESIS_UPC/AVAILABLE/TDX-1010101082513/41ANEX5.pdf
http://www.ilustrados.com/publicaciones/EpyAVkEylFcQKsqhGR.php
http://www.worldbank.org/wbi/governance/costarica/pdf/Taller%20CR%20Sesion
%20XIII%20nov18.pdf
http://html.rincondelvago.com/analisis-de-datos_2.html
http://www3.unileon.es/dp/abd/tesauro/pagina/tesdocumentacion/00001129.htm
http://www.icm.csic.es/rec/gim/defini.htm
http://www.chospab.es/calidad/UCalidad/Metodos/Muestreo.pdf
http://www.fertiberia.com/servicios_on_line/analisis_foliar/consejos_toma_muestras
/ejecucion.html
http://www.aceproject.org/main/espanol/ve/veb04a04.htm

Trabajo realizado por:

Fernndez Llorente, Jorge
Santos Dueas, Mara

11