Muestreo

1. Muestreos aleatorios
2. Muestreos no aleatorios
3. Tamao de la muestra

La poblacin o "poblacin objetivo" es ese grupo entero de elementos de los que queremos recoger
datos. Los acercamientos en definirlo se discuten en una pgina separada: Delimitar la poblacin de
estudio.

En un estudio emprico, este grupo puede consistir de gente, animales u otros objetos. En un estudio
de caso contiene apenas un objeto o acontecimiento, pero en una investigacin tericamente
orientada puede ser infinita, es decir usted desea saber algo que es verdad para cada objeto o
acontecimiento del tipo dado en el universo.

En algunos proyectos cada espcimen o acontecimiento de la poblacin ser medido o registrado

realmente. Tal un estudio total da una descripcin excelente de la poblacin, pero es posible
solamente si la poblacin no es demasiado grande y si todos los objetos estn disponibles para el
estudio.

El estudio total es un mtodo relativamente costoso, porque el trabajo emprico toma tiempo e
implica a menudo aparato, recorridos y otros costes. Los objetivos de un proyecto de investigacin
no requieren siempre una cuenta absolutamente exacta de la poblacin entera. Una aproximacin
confiable sera suficiente a menudo. Por lo tanto es comn que usted mide o registra solamente tan
muchas unidades de la poblacin a que usted puede permitirse y que sean necesarias para alcanzar
las metas del proyecto. A este fin, varias estrategias estn disponibles. Algunos se listan abajo.

A veces un solo caso puede representar todos los especmenes o acontecimientos en la

poblacin, si todos son idnticos. Los procesos fsicos y qumicos se asumen generalmente
para funcionar semejantemente por todas partes en el universo, as que usted puede estudiar
el proceso simplemente en su laboratorio y afirmar que los resultados son vlidos tambin
en la luna, si eso se necesitara.
Estudiar un caso para cada clase es posible si usted sabe ciertamente que la poblacin
consiste en algunas clases que contienen objetos idnticos. En el estudio de los telfonos
mviles, la poblacin de los cuales se cuenta en mil millones, usted as puede comenzar
averiguando que es los modelos de telfonos que se han hecho, y entonces usted estudia
apenas un espcimen de cada modelo.
 El muestreo, es decir que usted limita deliberadamente
el nmero de casos en el estudio. Hay un riesgo que los
hallazgos del estudio no son verdades para algunos de
los casos fuera de la muestra, pero este riesgo a menudo
se puede calcular y restringir en un nivel tolerable.

En la investigacin de muestreo estamos interesados por igual

en todos los elementos de la poblacin y querramos estudiarlos
todos. Pero por razones prcticas, tendremos que escoger solo
una muestra. Tal vez tenemos una poblacin de millones de
objetos y es imposible abarcar incluso una mayora de entre
ellos. Tambin en aquellos casos (con poblaciones, digamos, de
10.000) en que podramos escoger estudiar cada objeto, el
estudio de muestreo puede ser una eleccin prudente, porque ahorra tiempo y podemos usar el
tiempo ahorrado para estudiar los elementos ms cuidadosamente. Todos estos son buenos casos
para un estudio de muestreo. Los distintos mtodos de seleccin de la muestra se tratan ms abajo.

Ms arriba vimos que en la investigacin de muestreo en lo que estamos siempre interesados no es

en la muestra sino en la poblacin; ms exactamente, en las propiedades de los elementos de la
poblacin. Cuando estamos estudiando los elementos del ejemplo querramos escoger elementos
que tengan los mismos atributos que la media de la poblacin. Si ese es el caso, nuestra muestra
es representativa.

Hay dos principios alternativos que pueden seguirse cuando se elige una muestra:

muestra aleatoria, en que el azar determina que elementos se

seleccionan (figura de la izquierda),
muestra no aleatoria, { en que un criterio
particular o un procedimiento no aleatorico selecciona
los objetos para ser estudiados. Es tambin posible que
el investigador elige deliberadamente los casos que
han de ser estudiados } (a la derecha).

El acto del muestreo s mismo genera dos tipos de desacuerdo entre la

poblacin y la muestra:

Divergencia al azar: Usted obtiene algunos casos con las caractersticas inusuales
accidentalmente en la muestra. Esto en cambio infectar los datos resumidos (e.g.
promedios) de la muestra. Si una muestra aleatoria es bastante grande, las divergencias a las
direcciones opuestas se cancelan en su mayor parte.
Sesgo sistemtico, la tendencia, error sistemtico, o una diferencia sistemtica entre
poblacin y muestra, ocurre a menudo en la muestra no aleatoria. Es causado por el mtodo
de seleccin, que favorece a menudo inadvertidamente algunos tipos de artculos antes de
otros. Este fastidio puede causar muchas veces mayor una declinacin en la
representatividad de una muestra que la divergencia al azar podra crear.

Usted puede preguntar por qu utilizar el muestreo no-aleatorio en todos, porque implica el riesgo
del sesgo, una fuente aparentemente innecesaria del desacuerdo con la poblacin? Hay varias
motivaciones posibles:
 La poblacin es infinita (o muy cerca) o es imposible hacer una lista de l para la base de la
seleccin al azar.
A veces usted no puede encontrar algunos artculos en la poblacin. Una seleccin al azar
no sera razonable, porque sera posible ejecutar apenas una parte de l.
Los objetivos del estudio no requieren resultados exactos. El muestreo no-al azar es
generalmente ms barato y ms aprisa.
El proyecto incluye un procedimiento eficiente del control ulterior. Por ejemplo, podra ser
difcil de persuadir a clientes escogidos al azar participar en el procedimiento de crear
conceptos del producto nuevo y probar las propuestas, cul toma normalmente varios das.
En lugar, puede ser ms fcil utilizar una muestra no-al azar de los voluntarios para los
grupos de trabajo iniciales del desarrollo de producto. Ms adelante las propuestas finales
entonces se probarn con las muestras apropiadas escogidas al azar de la poblacin de los
clientes de blanco.

Muestras aleatorias

Si una muestra aleatoria se hace correctamente, contiene no tendencia sistematica y es por lo tanto
relativamente representante de la poblacin. Por supuesto, en un estudio de muestreo, nunca
podemos estar seguros al 100% de que los resultados medidos a partir de la muestra sean tambin
ciertos en la poblacin. No obstante, a efectos prcticos suele ser suficiente si podemos afirmar que
el riesgo de una desviacin de la poblacin es, digamos, un 1%. Seremos capaces de hacer tales
afirmaciones que estn basadas en clculo de probabilidades si hemos usado una muestra aleatoria.

El principio de la seleccin de los elementos en una muestra aleatoria es el mismo que cuando se
reparten la baraja. Todos los objetos de la poblacin tienen iguales probabilidades de ser
seleccionados en la muestra. Esta probabilidad es llamada razn de muestreo (sampling ratio en
ingls), y es igual al nmero de elementos de la muestra dividido por el nmero de la poblacin.

Hay mtodos alternativos para crear una muestra aleatoria (en otras palabras,
una "muestra de probabilidad"). En los diagramas siguientes, los casos de la
poblacin original se presentan como puntos u otros smbolos pequeos, y los
casos seleccionados en la muestra se demuestran como smbolos en negrita.

1. Muestra aleatoria simple. La muestra se extrae a suertes, por ejemplo

cogiendo papeletas numeradas de un sombrero. Si tenemos un fichero de
ordenador sobre la poblacin, la computadora har la seleccin al azar.
Cuando la poblacin es muy grande y ya consiste en grupos naturales, los
miembros de los cuales se enumeran en un archivo, puede ser prctico hacer el
muestreo en etapas (cluster sampling), seleccionando primero algunos grupos y entonces
seleccionando la muestra final slo desde los miembros de estos grupos seleccionados. Por ejemplo,
si la poblacin consiste en toda la gente en un pas, usted puede primero seleccionar al azar algunas
subdivisiones del pas y despus seleccionar la muestra final entre la gente en estas subdivisiones.
Si usted se prepone entrevistarse con esta gente en sus hogares, usted ahorrar as mucha hora de
viajar.
 2. Muestra sistemtica. Si la razn que se pretende es 1/n, empezamos
escogiendo el primer elemento al azar entre los primeros n objetos de la
poblacin, y tras ello extraemos cada n-avo objeto. Si tenemos una lista de
objetos de la poblacin el procedimiento ser muy fcil incluso sin una
computadora, y el resultado ser as representativo, excepto en la situacin
inusual que una caracterstica importante de los casos sucede a la repeticin
en cada n casos.

3. Muestra aleatoria ponderada. Cuando la

poblacin incluye un grupo muy pequeo pero
esencial, hay el riesgo de que ningn miembro de ese grupo quede dentro de
una muestra aleatoria. Tales grupos claves de usuarios de productos son, entre
otros, gente corto de vista, duro de odo o con la capacidad reducida del
movimiento, vase una lista de tal gente. Otras minoras a menudo
significativas originan de religiones, de nacionalidades y de lenguas.

Para asegurar por lo menos algunos de una minora clave (marcada con x en el
diagrama a la derecha) en la muestra, podemos incrementar deliberadamente
la razn de la muestra sobre este grupo de especial importancia. Por supuesto que esto generar un
desequilibrio en las mediciones que se obtengan a partir de la muestra ponderada, pero ser fcil
restaurar el equilibro original. Esto se hace as cuando se combinan los resultados; por ejemplo, al
calcular la media de todas las mediciones daremos a las mediciones de cada grupo su peso
apropiado correspondiente a los porcentajes genuinos en la poblacin.

Muestras no aleatorias

Las muestras no aleatorias (o "no probabilsticas") { son seleccionadas por cualquier procedimiento
que no da todos casos en la poblacin las oportunidades iguales de caer en la muestra. A veces el
contexto del estudio permite o facilita un cierto mtodo de muestreo, a veces el investigador tiene la
posibilidad de escoger el mtodo. Varios tales procedimientos sern discutidos abajo.

Cualquier es el procedimiento, es siempre posible que favorecer ciertos tipos de casos en la

poblacin ms que los otros, es decir producir una muestra sesgada.

En estudios descriptivos la presencia de sesgo es una desventaja grave que usted encontrar ms
adelante en su proyecto, en cundo valorar el muestreo y en cundo escribir el captulo final de su
informe. Por lo tanto puede ser prudente pensar de l por adelantado, cundo escoger el mtodo de
muestreo.

Al valorar una muestra no-aleatorio que usted debe preguntar usted mismo: Sern los resultados de
la muestra el mismo que usted conseguira de la poblacin? Es cierto que el criterio que usted ha
utilizado en seleccionar la muestra (e.g. la buena voluntad de la gente de participar) no tiene
ninguna correlacin con esas variables que usted desee registrar de la muestra? Si hay correlacin,
su muestra est sesgada y usted debe considerar el construir de una muestra nueva con menos
correlacin.

Como contraste, muestras no aleatorias se pueden utilizar en proyectos de investigacin y del

desarrollo, a condicin de que el sesgo sistemtico posible sea compensado ms adelante. Por
ejemplo, es comn usar al muestreo de conveniencia cundo escoger clientes potenciales a un grupo
de trabajo para desarrollar un concepto del producto preliminar. La seleccin de personas ser
probablemente sesgada, tan bien como las propuestas del grupo de trabajo, pero las propuestas sern
rectificadas ulteriormente cuando son evaluadas de nuevo por un otro grupo de gente ms grande.

Entre los tipos comunes de muestras no aleatorias se incluyen:

1. Muestra de conveniencia. Un grupo existente, por ejemplo la gente en una

reunin, podra ser designado como muestra. Este es un mtodo fcil y barato,
pero el sesgo suele ser imposible de estimar. El mtodo es popular en las
demostraciones de cursos sobre mtodos, donde los datos obtenidos de la
muestra no se usarn. Asimismo, esto es un mtodo posible cuando usted
necesita a algunos clientes potenciales asistir al desarrollo de producto, a
condicin de que los resultados obtenidos sean probados ms adelante con una
muestra mejor escogida de la clientela-objetivo.

2. Muestra de voluntarios es creada cuando todos los miembros de la poblacin tienen la

oportunidad de participar en la muestra. Si usted inserta una forma de cuestionario en un peridico
o en una pgina del Internet y pide que la gente d sus opiniones sobre un asunto, usted conseguir
una muestra de voluntarios. Un otro ejemplo es la respuesta de los clientes que llega a una empresa.

Una muestra de voluntarios puede ser una alternativa prctica cuando no hay lista de los miembros
de la poblacin de quien una muestra aleatoria se podra escoger, o cuando es difcil de contactar a
la gente en una muestra porque sus direcciones no se saben. La desventaja es que es difcil
determinar la presencia del sesgo, es decir si las opiniones u otras caractersticas interesantes de los
voluntarios se desvan de sos de la poblacin. Cuando en vista de esta pregunta, hay dos cuestiones
que plantearse:

Qu es la poblacin que usted apunta? Es cierto que todos los miembros de la poblacin
concernida tenan las mismas oportunidades de ser incluidos en la muestra?
Hay cualquier razn por qu puedan diferir los voluntarios del resto de la poblacin? Por
ejemplo, tienen ellos, o por lo menos algunos de ellos, una razn especial para ofrecerse?

Si usted, por ejemplo, quiere obtener una muestra de gente que ha comprado su ltimo producto,
usted puede incluir en el paquete del producto un formulario franqueo-pagada donde la gente puede
dar sus nombres y direcciones. Qu sucedera si usted pidi adems que los respondedores dieran
sus opiniones del producto? Usted conseguira probablemente respuestas sobre todo de la gente que
tiene una opinin fuerte de su producto, positiva o negativa. La gente sin opinin definida de su
producto quizs no incomodara contestar. La muestra sera as sesgada, y usted tendra que
considerar si tal tendencia podra ser aceptable para sus fines.

3. Muestra - bola de nieve. Cuando se entrevista a miembros de un grupo,

podemos pedir a las personas que nos indiquen otros individuos en ese grupo
que podran dar informacin sobre ese tema; podramos tambin pedirles que
nos indicasen personas que compartan sus puntos de vista y tambin otras que
sean de opinin opuesta. Entonces entrevistaremos a nuevos individuos y
continuaremos del mismo modo hasta que no obtengamos nuevos puntos de
vista de nuevos entrevistados. Este es un buen mtodo por ejemplo para
recoger los distintos puntos de vista existentes en un grupo, pero su
inconveniente es que no obtenemos una idea exacta de la distribucin de las
opiniones.
4. Una muestra que consiste en todos los casos disponibles. A veces el investigador es interesado
en una poblacin de que slo unos pocos casos o especmenes estn disponibles para el estudio, y
estos entonces deben servir como una muestra de la poblacin. Tales muestras tpicas son:

4a. Casos restantes

4b. Casos permitidos.

Los casos restantes entre el material histrico o arqueolgico, cuando ha

desaparecido una parte grande de material relevante antes de que reciben los
investigadores, se pueden mirar como una clase de muestra de conveniencia
incluso cuando es la realidad histrica y no la conveniencia que selecciona la
muestra. Si la destruccin del material, durante el tiempo hasta el estudio, no
ha sido al azar ni proporcional pero en lugar de alguna manera parcial o
selectivo, el material sobreviviente ser sesgado y el investigador debe valorar
el sesgo probable. Usted debe preguntarse si cualquiera de los factores siguientes ha afectado
diferentemente en la preservacin de tipos diferentes de la materia:

El material a veces se ha seleccionado para cualquier propsito, por ejemplo para ser
mantenido en archivos, bibliotecas o museos?
Algunos objetos en el material a veces se han substituido por nuevos?
Qu clases de cosas fueron mirados generalmente como basura, o al contrario, como digno
y apropiado ser preservado?
Hay factores fsicos que pueden haber afectado diferentemente en la preservacin de
varios grupos de material?

Los casos permitidos. Al estudiar las empresas privadas sucede a menudo que la gerencia no
permitir colectar informacin desde ciertas unidades en la organizacin. La decisin de la
administracin es motivada quizs por su juicio sobre los objetivos del estudio, pero del punto de
vista cientfico tal muestra a menudo parecer gravemente sesgada.

Mtodos de muestreo inadecuados

Sobrepasar los lmites de la poblacin. No tenemos que incluir elementos que no sean miembros
de la poblacin en nuestra muestra. Por ejemplo, en muestreo bola-de-nieve sucede a menudo que
alguna gente entrevistada nomina a candidatos que no pertenecen a la misma poblacin. Por
supuesto, usted tiene a menudo la opcin de alterar sus delimitaciones originales.

Muestra de casos tpicos. La meta de estudiar un grupo heterogneo es a

menudo encontrar cul es comn y tpico de la mayora de los casos en el
grupo. A este efecto loable, el muestreo se ha utilizado a veces para
seleccionar los casos ms tpicos en la muestra, y todos los casos
extraordinarios son dejados fuera. En la figura en el derecho, los casos tpicos
se marcan con puntos, y los casos excepcionales estn marcados con los
smbolos + y x.

Sin embargo, seleccionar una muestra de casos tpicos no es muy

recomendable porque cundo escoger los casos "tpicos" los prejuicios del
investigador (que pueden ser errneos) influencian demasiado los resultados de la investigacin. El
investigador puede, sin notarlo, seleccionar sobre todo tales casos que corroboren sus
preconcepciones o hiptesis. Para resumir, si usted desea precisar los especmenes medios o los
casos ms comunes de la poblacin, un mtodo mejor es clasificar todos los artculos de la
poblacin, o una muestra escogida al azar, y encuentra el tipo ms frecuente. Cuando es necesario,
usted puede entonces continuar el estudio de esta clase, que en adelante se convierte en la poblacin
nueva del estudio.

Muestra de especialistas. Puede ser que parezca una idea sensible de preguntar directamente sos,
a menudo pocos, personas que saben mucho sobre el asunto, en vez de preguntar una muestra
grande de legos escogidos al azar cuyo conocimiento puede ser espordico y cuyos opiniones
pueden divergir. As, podramos por ejemplo:

Investigar las preferencias de consumidores sobre los aparatos domsticos, entrevistando a

vendedores.
Estudiar estilos de vida de arrendatarios mediante un cuestionario a propietarios o a
administradores de casas o caseros.
Desarrollar un nuevo modelo del coche de familia de modo que unos conductores de
carreras lo proban y evalen.
Valorar la atmsfera de trabajo en una compaa entrevistando a los directores.

La ventaja a entrevistar a especialistas es que usted necesita entrevistar apenas unas pocas personas
y en la discusin usted consigue rpidamente al punto. Sin embargo, usted no debe pensar que los
"especialistas" puedan ser tomados como muestra de "no especialistas". Son dos poblaciones
diferentes. No debiramos generalizar los resultados de "especialistas" a ninguna otra poblacin.

Si usted entonces desea adems recolectar las opiniones de los consumidores medios, usted debe
definir stos como una poblacin segunda y seleccionar una muestra adecuada de ella, tambin. Una
alternativa deber hacer dos proyectos distintos de estos dos exmenes. Una posibilidad es hacer
estos dos exmenes en sucesin. Podramos tal vez continuar transformando los resultados a partir
de los especialistas en hiptesis que ms tarde verificaramos con una muestra apropiada de la
poblacin "real" o de no especialistas, que seran en los ejemplos citados, respectivamente, los
consumidores y los arrendatarios. En otras palabras, podramos usar la entrevista de los
especialistas como un estudio preliminar slo.

Muestreo normativo. El aspecto normativo es aceptable en los proyectos del desarrollo que
apuntan a mejorar objetos similares en el futuro, pero es mejor guardarlo fuera del muestreo porque
no es compatible con los principios de la representatividad y de la generalizacin.

El estudio normativo de una "muestra de los mejores obras" es algo bastante

tradicional en historia del arte. La idea es que stos representan lo ms
autntico de su poca. Tal seleccin deliberada por parte del investigador tiene
no obstante riesgos serios. Es evidente que no son tpicos de la era y no
representan las obras de arte medias. Esto no sugiere que usted no los debe
estudiar, pero si usted lo hace, no le llama una "muestra" si usted quiere decir
que los grandes amos o sus obras son la poblacin de su estudio. Cf. Delimitar
la poblacin de estudio.

Ms tarde en la fase de anlisis de sus datos que usted puede mantener

fcilmente el aspecto normativo, usando los mtodos de estudio de caso normativo , comparacin
normativa , clasificacin normativa , y estudio pedaggico del desarrollo, de modo que no es
necesidad de mezclar el procedimiento de muestreo con consideraciones normativas.
Tamao de la muestra

El propsito principal del muestreo es reducir la necesidad de las operaciones empricas que exigen
el trabajo y el coste. Cmo pequea puede una muestra entonces estar sin perder su utilidad? Es
decir cul es el nmero ms pequeo de los casos que todava nos dan bastante confiables datos
sobre la poblacin?

Muestras aleatorias

Los datos que podemos conseguir de la muestra son normalmente levemente diferentes de los datos
de la poblacin. La razn es que la seleccin al azar ha trado a la muestra no solamente artculos
medios de la poblacin, pero tambin algunos artculos ms o menos excepcionales. Cuntos de
ellos, puede ser anticipado usando la teora de probabilidades. Puede tambin decirnos cmo grande
es el riesgo de conseguir datos errneos debido a estos casos excepcionales. El riesgo es
aproximadamente proporcional a la variacin de las variables y en la relacin inversa al tamao de
muestra.

Si utilizamos la frmula inversamente, y sabe el nivel deseado de la representatividad estadstica de

los datos que vamos a registrar de la muestra, podemos calcular el tamao de muestra requerido en
base del nmero de variables, y de sus variaciones. No se saben a menudo por adelantado, pero una
aproximacin se puede usar en su lugar.

Usted, por ejemplo, ha medido dos variables de una muestra pequea y ha encontrado que su
correlacin es 0,26. Es siempre posible que tal correlacin se haya creado en la muestra apenas
accidentalmente y no es verdad en la poblacin. Usted desea que la probabilidad de tal accidente
sea menos de 1%. Si usted consulta la tabla que se presenta en t-test, usted encontrar que una
muestra de 100 casos se necesita antes de que la probabilidad de conseguir accidentalmente una
0.26 correlacin disminuya a 1%.

Otro ejemplo. Usted estudia porcentajes y usted desea ser 95% cierto que el porcentaje que usted ha
medido de una muestra es verdad en la poblacin tambin. Aqu usted puede utilizar la frmula
del intervalo de confianza:

donde

p = el porcentaje como se calcula de una muestra

n = tamao de la muestra.

Si el intervalo de confianza, segn la frmula, es demasiado ancho, usted puede cortarlo usando una
muestra ms grande. De la frmula usted puede deducir que si usted multiplica el tamao de
muestra por cuatro, el intervalo de la confianza se contraer en la mitad. La frmula es
independiente del tamao de la poblacin.

Las formulas para el clculo son exactas pero algo engorrosas de usar por las muchas alternativas
que intervienen; por ese motivo no se presentan aqu. Una regla que no falla muy aproximada dice
que para hacer un anlisis de varianza necesitar 30 casos, para anlisis de regresin 40 casos
multiplicados por el nmero de variables, y para una prueba Chi por lo menos cinco casos en cada
clula en la tabla de la distribucin. En proyectos importantes con amplios recursos se suele
consultar a un estadstico para calcular el tamao de la muestra. En un proyecto de investigacin
con recursos limitados, la regla general es: usar una muestra tan amplia como nos podemos
permitir.

Muestras no aleatorias

No hay frmula para determinar el tamao de una muestra no aleatoria. Con frecuencia,
especialmente en investigacin cualitativa, podemos simplemente ampliar gradualmente nuestra
muestra y analizar los resultados segn llegan. Cuando en casos nuevos ya no se presenta
informacin nueva, podemos concluir que nuestra muestra est saturada, y terminaremos el
trabajo. Este mtodo es, sin embargo, muy vulnerable al muestreo sesgado, con lo que tenemos que
ser muy cuidadosos y asegurarnos que no omitimos a ningn grupo de nuestra poblacin.

Recurdese tambin que es intil incrementar el tamao de la muestra si el principio de muestreo

est sesgado. La muestra aadida simplemente estar igual de sesgada si usted utiliza el mismo
mtodo de seleccin que para la primera muestra.

Si usted puede permitirse hacer una segunda muestra, intente crearla con otro mtodo de seleccin.
Guarde inicialmente separado los datos de cada uno de las muestras. Comparndolas usted tiene un
medio excelente de juzgar la presencia del sesgo en cualquiera de ellos.

Antes de decidir el tamao de una muestra no aleatoria, tal vez queramos leer cmo debe
ser evaluada la representatividad de los resultados a partir de una muestra no aleatoria. De otro
modo podramos sufrir una sorpresa bastante desagradable cuando estemos intentando, demasiado
tarde, definir la poblacin en que nuestros resultados puedan ser declarados vlidos.

Casos que fallan

Sucede a menudo que algunos casos en la muestra resultan infructuosos porque no pueden ser
alcanzados, o las medidas fallan, o los entrevistados rechazan cooperar etc. El mtodo normal es
entonces sobredimensionar la muestra levemente, y despus se olvida simplemente los casos que
fallan.

Si usted, no obstante, desea haga el muestreo muy cuidadosamente, usted debe preguntarse: Es
probable o posible que los casos que fallan diferencian los acertados en cualquier respecto que
interesa en su proyecto? Solamente cuando la respuesta estar no, la ausencia de estos casos no
introducir sesgo en los resultados. Si usted, al contrario, piensa que los casos que fallan diferencian
sistemticamente del resto, usted puede intentar compensar el sesgo dando pesas diferentes a los
datos que vienen inmediamente y los que vienen slo tras solicitarlas de nuevo. El mtodo se
explica en El problema de la no-respuesta.