8

Muestreo
Objetivos de aprendizaje

Después de leer este capítulo, deberías poder:

• conocer las etapas en el proceso de muestreo;

• comprender las razones para el muestreo;

• reconocer las diferencias entre muestreo probabilístico y no probabilístico;

• aplicar una gama de técnicas de muestreo;

• apreciar la combinación de técnicas de muestreo;

• saber cómo determinar el tamaño de la muestra; y

• Reconocer los problemas asociados con la respuesta y la no respuesta.

Introducción

En los dos capítulos anteriores hemos centrado nuestra atención en los métodos de
recopilación de datos. Una parte importante de la recolección de datos primarios es el
muestreo. En general, hay dos preguntas fundamentales que suelen asociarse con el
muestreo: "¿Cómo puedo saber qué técnica de muestreo debo utilizar?" Y "¿Cuál es el
tamaño de muestra adecuado?" Este capítulo trata de responder estas preguntas.

Como se señaló en el Capítulo 6, cuando realice su investigación, es probable que deba

recopilar datos primarios. Sin embargo, para responder a sus preguntas de investigación,
es dudoso que pueda recopilar datos de todos los casos. Por lo tanto, tendrá que
seleccionar una muestra. El conjunto completo de casos a partir de los cuales se extrae su
muestra se llama población. En realidad, la mayoría de los investigadores no tienen el
tiempo ni los recursos para analizar a toda la población. Afortunadamente, una variedad
de técnicas de muestreo le permite reducir el número de casos que participan en su
estudio.

Las técnicas de muestreo que seleccione dependen en gran medida de si desea o no

inferir que sus hallazgos se aplican a la población en general. Sin embargo, es posible que
no desee generalizar, sino que intente proporcionar una "instantánea" de un caso en
particular, por ejemplo. Preguntar a los clientes comerciales qué piensan de un proceso de
entrega en particular a un proveedor en particular, en lugar de a todos los proveedores.

Este capítulo comienza describiendo la serie de etapas involucradas en el proceso de

muestreo. Durante las etapas iniciales, aclaro la distinción entre los términos
comúnmente utilizados en el muestreo; Estos incluyen la población, el marco muestral y el
muestreo mismo. Luego exploramos las razones para participar en el muestreo y cómo
establecer la selección del marco de muestreo. A continuación, examinamos las técnicas
de muestreo. Básicamente, existen dos tipos generales de muestreo: muestreo
probabilístico (también denominado aleatorio) y muestreo no probabilístico (también
denominado no aleatorio). Cada método de muestreo está claramente definido y los
métodos principales se ilustran con ejemplos de casos.

No necesariamente tiene que restringirse a un tipo de técnica de muestreo. Muchos

estudiantes combinan diferentes tipos de técnicas de muestreo para responder a su
problema de investigación. Sin embargo, sea cual sea el método que elija, es esencial que
explique la razón detrás de su elección. Se exploran varios factores que podrían llevarlo a
combinar técnicas de muestreo. Esta sección concluye con un resumen de las fortalezas y
debilidades de cada técnica de muestreo.

Después de esto, me ocupo de un problema clave en el muestreo: el del tamaño de la

muestra. Varios factores influyen en el tamaño de la muestra. En esencia, estos factores
se pueden dividir en La base de los métodos subjetivos o estadísticos.

Su elección de la técnica de muestreo puede impactar directamente en su tasa de

respuesta. Generalmente, las técnicas de muestreo no probabilístico se asocian con tasas
de respuesta más altas. Sin embargo, esto debe equilibrarse con la calidad de la respuesta,
y no solo con los números. La parte final de este capítulo trata sobre cómo tratar las tasas
de respuesta deficientes y cómo, en algunos casos, puede requerir la introducción de una
muestra sustituta.

Etapas en el proceso de muestreo

La Figura 8.1 ilustra las etapas que es probable que atraviese al realizar su muestreo. En
realidad, el muestreo no siempre es un proceso lineal directo, como se verá más adelante
en este capítulo. Sin embargo, la Figura 8.1 proporciona una plantilla útil a partir de la cual
trabajar al elegir e implementar su (s) método (s) de muestreo.

A lo largo del capítulo, discutiré cada etapa respectiva en el proceso de muestreo,

concluyendo con consejos sobre cómo evaluar sus tasas de respuesta.

Etapa 1: definir claramente su población objetivo

Su primera etapa en el proceso de muestreo es definir claramente su población objetivo.

La población está comúnmente relacionada con la cantidad de personas que viven en un
país en particular. Sin embargo, la población no solo se relaciona con los individuos. Una
población es también un grupo claramente definido de sujetos de investigación que se
están muestreando. Por ejemplo, en el sector de la electrónica, la población podría incluir
a todos los fabricantes de electrónica en Japón (un país en particular). Del mismo modo, si
consideraste realizar una investigación sobre el desarrollo del turismo en Londres, puedes
considerar a la población como todas las atracciones turísticas ubicadas dentro del área de
Londres.

Definir una población no siempre es sencillo. Depende en gran medida de tus preguntas
de investigación y del contexto con el que deseas estudiar. Al definir su población,
necesita establecer los tipos de casos que conforman su población, por ejemplo.
particulares, empresas, hogares, etc.

En esencia, una población a menudo se puede descomponer al pasar de lo general a lo

más específico. Por ejemplo, la población de un país como el Reino Unido puede
subdividirse de la siguiente manera: East Anglia, Cambridge, área en Cambridge. La
mayoría de los estudiantes no tienen el tiempo o los recursos para dirigirse a una gran
población y, por lo tanto, necesitan dirigirse a una población más pequeña o considerar un
muestreo. Sin embargo, es posible que el tamaño de su población sea lo suficientemente
pequeño para que pueda orientar a toda la población. Digamos que usted quería dirigirse
a los fabricantes de grandes aviones de pasajeros. En general, la población está formada
por dos empresas: Airbus y Boeing. Por lo tanto, puede decidir apuntar a toda la
población. Por este motivo, la Figura 8.1 muestra una flecha que va de "defina claramente
su población objetivo" a "recopilar datos". Efectivamente, está pasando por alto las etapas
relacionadas con el muestreo, ya que se dirige a toda la población.

Etapa 2: Seleccione su marco de muestreo

Un marco de muestreo es una lista de los casos reales a partir de los cuales se extraerá su
muestra. El marco muestral debe ser representativo de la población. Sin embargo, en
realidad es difícil saber cuándo una muestra no es representativa y no debe utilizarse.

Un aspecto importante de su marco muestral es considerar cómo se puede ubicar esa lista
de personas u organizaciones. Por ejemplo, si tiene la intención de encuestar a las
empresas de construcción locales en su área, puede identificar a su población como todas
esas empresas dentro de un radio de diez millas de su dirección. Al principio, la búsqueda
de una lista de empresas constructoras puede parecer relativamente simple. Una fuente
obvia es su directorio telefónico local, aunque tenga en cuenta que es probable que no
todas las empresas publiquen sus detalles en la guía telefónica. Por lo tanto, ¿cómo sabe
que esas empresas en el directorio son representativas de la población? Volveremos a
este punto más adelante en este capítulo.
Algunos investigadores no tienen acceso a un marco de muestreo, como un directorio
definitivo que proporciona detalles de la compañía. Si se encuentra en esta posición,
deberá desarrollar su propio marco de muestreo. Esto puede ser un proceso largo y
desafiante. Además, se enfrenta al problema de tratar de asegurarse de que su marco
muestral sea representativo de la población. En algunos aspectos, esto puede lograrse
refiriéndose a estudios anteriores que podrían ilustrar características clave de la
población.

Una vez que haya establecido su marco de muestreo, la siguiente etapa es considerar las
técnicas de muestreo y muestreo.

Etapa 3: Elija su (s) técnica (s) de muestreo

Antes de examinar los distintos tipos de métodos de muestreo, vale la pena señalar qué se
entiende por "muestreo", junto con las razones por las cuales es probable que seleccione
una muestra.

Tomar un subconjunto del marco de muestreo elegido o de toda la población se llama

muestreo. El muestreo se puede utilizar para hacer inferencias sobre una población o para
hacer generalizaciones en relación con la teoría existente. En esencia, esto depende de su
elección de la técnica de muestreo.

La Figura 8.2 ilustra la relación entre la población, el marco muestral y la muestra. El

círculo grande representa a toda la población, el círculo interno al marco de muestreo y el
círculo central a la muestra. El tamaño de cada círculo representa el número de casos. Por
ejemplo, la población podría ser 1,000, una lista de algunos de los casos podría
representar 500, mientras que la muestra podría ser 250 (un subconjunto del marco
muestral). Cada caso está representado por un pequeño círculo.

FIGURA 8.2 Relación entre población, marco muestral y muestra.

¿Por qué necesito seleccionar una muestra?

Antes de examinar los factores que pueden llevarlo a participar en el muestreo, vale la
pena señalar que las empresas también utilizan técnicas de muestreo cuando realizan
investigaciones. Supongamos, por ejemplo, que un fabricante de automóviles está en
proceso de lanzar un nuevo modelo en Alemania y desea obtener algunos datos sobre
posibles ventas. Esencialmente, hay dos maneras de encontrar esto:

1. Podría preguntar a cada persona en Alemania que compraría el auto si realmente lo

comprará o no, y cuánto estaría dispuesto a pagar.
2. Podría tomar una muestra de personas, preguntarles si comprarán o no el nuevo
modelo y luego estimar la demanda probable de la población.

como un todo.

Obviamente, la primera opción es costosa y requiere mucho tiempo. Además, es poco

probable que el fabricante de automóviles se ponga en contacto con toda la población de
Alemania, ya que no todas las personas conducen o están interesadas en comprar un auto
nuevo. En resumen, no es factible realizar una investigación a una escala tan grande,
especialmente porque no está dirigida a aquellos compradores potenciales del nuevo
automóvil. La opción 2 es mucho más factible, ya que el muestreo puede usarse para
generar resultados confiables, en lugar de enfocarse en toda la población.

Además, es impracticable ni siquiera intentar encuestar a toda la población. Estas

impracticaciones incluyen lo siguiente:

• no hay tiempo para encuestar a toda la población;

• no existen los recursos, particularmente el presupuesto, para encuestar a toda la

población;

• faltan las habilidades para recopilar todos los datos e interpretar los hallazgos;

• el tamaño de la población es demasiado grande;

• es demasiado difícil acceder a toda la población; y

• deseas comparar tu investigación con la de estudios previos.

En primer lugar, el tiempo es una impracticabilidad obvia que le impide estudiar a toda la
población. Incluso si su población se encuentra en una proximidad geográfica cercana, aún
puede llevar mucho tiempo contactar, analizar e interpretar los hallazgos de cada caso.

Segundo, es probable que la falta general de recursos impida que se dirija a toda la
población. En particular, el costo involucrado. El costo principal está asociado con la
administración de su recopilación de datos. Ya sea que opte por entrevistas o una
encuesta por cuestionario, los costos asociados pueden incluir viajes, alojamiento, gastos
de envío, etc.

Tercero, su falta de habilidades como investigador puede obstaculizar su capacidad para

encuestar a toda la población. Si, por ejemplo, su estudio incluye investigación
internacional, entonces su falta de habilidades lingüísticas puede restringir su capacidad
para dirigirse a toda la población. Del mismo modo, es posible que no tenga las
habilidades necesarias para analizar grandes volúmenes de datos o para permitir la
producción de un conjunto de hallazgos simples y claramente interpretados.

En cuarto lugar, el tamaño de la población significa que no es realista atacar a toda la

población. Los ejemplos incluyen poblaciones de países o regiones dentro de un país.
Además, dirigirse a empresas dentro de ciertos sectores, por ejemplo, Las pequeñas
empresas en Francia, es igualmente poco realista.

En quinto lugar, puede que le resulte difícil acceder a toda la población. Las instancias que
podrían restringir su acceso incluyen: un tema delicado, la falta de datos publicados sobre
toda la población y una falta general de participación de los participantes en su
investigación.

Finalmente, tal vez no tanto una impracticabilidad sino una opción preferida es su
intención de comparar su investigación con la de estudios anteriores. Para poder
comparar datos de igual a igual, su intención podría ser adoptar el mismo método de
muestreo que otros investigadores.

En esta sección hemos explorado una serie de razones para seleccionar una muestra. La
siguiente etapa es considerar qué constituye un tamaño de muestra adecuado.

Técnicas de muestreo

En general, las técnicas de muestreo se pueden dividir en dos tipos:

• Probabilidad o muestreo aleatorio; y

• Muestreo no probabilístico o no aleatorio.

Antes de elegir su (s) tipo (s) específico (s) de técnica de muestreo, debe decidir su técnica
de muestreo amplia. Las razones por las que me he referido al muestreo tanto en singular
como en plural se deben a que en algunos casos es posible que desee adoptar más de un
método de muestreo. Exploramos las razones de esto más adelante.

Muestra los distintos tipos de técnica de muestreo. Estos se pueden clasificar en base a la
probabilidad o el muestreo no probabilístico.

Muestreo de probabilidad

El muestreo de probabilidad significa que cada elemento de la población tiene las mismas
posibilidades de ser incluido en su muestra. Una forma de realizar un muestreo aleatorio
sería si primero construyera un marco de muestreo y luego usara un programa
informático de generación de números aleatorios para seleccionar una muestra del marco
de muestreo.
FIGURA 8.3 Técnicas de muestreo.

"La probabilidad o el muestreo aleatorio tienen la mayor libertad de sesgo, pero pueden
representar la muestra más costosa en términos de tiempo y energía para un nivel dado
de error de muestreo" (Brown, 1947: 337). Además, no siempre es apropiado para
aquellos estudiantes que están interesados en hacer investigación de estudios de caso.
Hay varios tipos diferentes de técnicas de muestreo probabilístico. Ahora examinaremos
cada uno a su vez.

La muestra aleatoria simple significa que cada caso de la población tiene una probabilidad
igual de inclusión en su muestra. Por ejemplo, digamos que desea encuestar a 250
miembros de un club deportivo. Si la membresía total es 1,000, la probabilidad de
inclusión en la muestra es:

Las desventajas asociadas con el muestreo aleatorio simple incluyen:

• se necesita un marco completo (una lista de todas las unidades en toda la población);

• en algunos estudios, por ejemplo Encuestas realizadas a través de entrevistas

personales, los costos de obtener la muestra pueden ser altos si las unidades están
geográficamente dispersas; y

• Los errores estándar de los estimadores pueden ser altos.

(Ghauri y Grønhaug, 2005: 149)

Muestreo sistemático El muestreo sistemático es donde se selecciona cada enésimo caso

después de un inicio aleatorio. Por ejemplo, si se analiza una muestra de consumidores,
cada quinto consumidor puede seleccionarse de su muestra. Debe asegurarse de que no
haya un patrón regular en la población, lo cual, si coincide con el intervalo de muestreo, o
en otras palabras, la distancia entre los casos elegidos, podría llevar a una muestra
sesgada. Además, los sujetos de la población deben ser ordenados de alguna manera. Por
ejemplo, las acciones de supermercado que se ordenan en un estante; nombres de
negocios ordenados en un directorio de negocios; nombres de los miembros del club de
salud ordenados alfabéticamente en la base de datos de la compañía; o direcciones
ordenadas sobre la base de códigos postales.

Refiriéndonos al ejemplo anterior del club deportivo, sabemos que debemos seleccionar
uno de cada cuatro miembros. Con una muestra sistemática, haríamos un inicio aleatorio
entre uno y cuatro inclusive, posiblemente utilizando los últimos dos dígitos en una tabla
de números aleatorios.

La ventaja de esta técnica de muestreo es su simplicidad. Además, no siempre se requiere

un marco de muestreo. El principal inconveniente es el potencial de una anomalía que se
produce regularmente y afecta a la calidad de los datos. A modo de ilustración, digamos
que un fabricante de adornos de lujo decide implementar un sistema de gestión de
calidad total (TQM). Una característica principal de su estrategia de TQM es el control de
calidad regular de su mejor gama de porcelana de hueso. Adoptar un método de
muestreo sistemático puede sonar bien en principio. Sin embargo, ¿qué pasa si la
máquina que pinta los adornos desarrolla una falla? Si esta falla hace que el suministro de
pintura se agote a intervalos regulares, esto puede generar datos imprecisos en cuanto a
la calidad general de la producción. Una forma de superar este problema es tener
controles aleatorios en lugar de controles sistemáticos.

Muestreo aleatorio estratificado El muestreo estratificado es donde la población se divide

en estratos (o subgrupos) y se toma una muestra aleatoria de cada subgrupo. Un
subgrupo es un conjunto natural de elementos. Los subgrupos pueden basarse en el
tamaño de la empresa, el género o la ocupación (por nombrar algunos).

El muestreo estratificado se usa a menudo cuando hay una gran variación dentro de una
población. Su propósito es asegurar que cada estrato esté adecuadamente representado.
Por lo tanto, el número de elementos elegidos de cada subgrupo puede ser proporcional
al tamaño del estrato en relación con la población. Por esta razón, al hacer inferencias en
relación con la población más amplia, el muestreo estratificado generalmente tiene un
error de muestreo más pequeño que el muestreo aleatorio simple. Este mayor nivel de
precisión es una ventaja clave del muestreo estratificado. Sin embargo, a veces puede ser
difícil obtener información detallada sobre todo su marco muestral, por lo que es
problemático a la hora de identificar sus estratos.

Se puede adoptar un enfoque sistemático al realizar un muestreo estratificado. Las etapas

involucradas se muestran en la Figura 8.4.

El siguiente ejemplo ilustra cómo el muestreo estratificado podría funcionar en la práctica.

Un minorista emplea a un total de 2,000 personas. Utilizando un marco de muestreo de
1,000 (50% de la fuerza laboral total), su intención es realizar una investigación de
ausencia en el lugar de trabajo. Has identificado los siguientes estratos - género y
ocupación. La fuerza laboral total está compuesta por 300 hombres y 400 mujeres, y 800
hombres y 500 mujeres, respectivamente. Usando un muestreo estratificado, su muestra
de 1,000 consistirá de 150 gerentes hombres y 200 mujeres, y 400 empleados hombres y
250 mujeres (ver Figura 8.5).
FIGURA 8.4 Etapas del muestreo estratificado.

S = muestra; R = tasa de respuesta

FIGURA 8.5 Un ejemplo de muestreo estratificado.

Muestreo en grupo El muestreo en grupo es donde toda la población se divide en grupos o

grupos. Posteriormente, se toma una muestra aleatoria de estos grupos, todos los cuales
se utilizan en la muestra final.

El muestreo de conglomerados es ventajoso para aquellos investigadores cuyos sujetos

están fragmentados en una gran área geográfica, ya que ahorra tiempo y dinero. Si, por
ejemplo, desea examinar la provisión de atención médica entre los hospitales del Reino
Unido, en lugar de dirigirse a toda la población, puede utilizar el muestreo por
conglomerados. Puede comenzar reconociendo los fideicomisos del NHS (Servicio
Nacional de Salud) regionales como grupos. Posteriormente, una muestra de estos
Fideicomisos se puede elegir al azar, con todos los hospitales en cada Fideicomiso
incluidos en la muestra final.

Las etapas para el muestreo de conglomerados se pueden resumir de la siguiente manera:

• Elija agrupación de grupos para su marco de muestreo, por ejemplo, Tipo de empresa o
región geográfica.

• Numera cada uno de los grupos.

• Seleccione su muestra utilizando muestreo aleatorio.

En el ejemplo citado anteriormente, la principal ventaja del muestreo de conglomerados

es que ahorra al investigador el tiempo y el dinero de tener que viajar a todos los
hospitales del Reino Unido.

El muestreo en varias etapas es un proceso de pasar de una muestra amplia a una

estrecha, utilizando un proceso paso a paso. Si, por ejemplo, un editor francés de una
revista de alimentos para mascotas realizara una encuesta, simplemente podría tomar
una muestra aleatoria de dueños de perros dentro de toda la población francesa.
Obviamente, esto es costoso y requiere mucho tiempo. Una alternativa más barata sería
utilizar el muestreo de múltiples etapas.

En esencia, esto implicaría dividir a Francia en varias regiones geográficas.

Posteriormente, algunas de estas regiones se eligen al azar, y luego se hacen
subdivisiones, quizás basadas en áreas de autoridad local. A continuación, algunos de
estos se vuelven a elegir al azar y luego se dividen en áreas más pequeñas, por ejemplo.
Pueblos o ciudades. El objetivo principal del muestreo en varias etapas es seleccionar
muestras que se concentran en unas pocas regiones geográficas. Una vez más, esto ahorra
tiempo y dinero.

Muestreo no probabilístico

Si, por ejemplo, decidió utilizar una muestra no probabilística en su investigación, no se

conoce la probabilidad de que se seleccione cada caso de su población total. Por lo tanto,
no es posible que usted haga inferencias estadísticas en relación con la población en
general.

El muestreo no probabilístico a menudo se asocia con el diseño de investigación de

estudios de caso y la investigación cualitativa. Con respecto a esto último, los estudios de
casos tienden a centrarse en muestras pequeñas y están destinadas a examinar un
fenómeno de la vida real, no a hacer inferencias estadísticas en relación con la población
en general. No es necesario que una muestra de participantes o casos sea representativa
o aleatoria, pero se necesita una justificación clara para la inclusión de algunos casos o
individuos en lugar de otros.

Hay varias ventajas y desventajas asociadas con el muestreo no probabilístico. Los

examinaremos en relación con cada una de las respectivas técnicas de muestreo no
probabilístico. Estos son ahora explorados.

Muestreo por cuotas El muestreo por cuotas es una técnica de muestreo no aleatorio en
la que los participantes se eligen en función de características predeterminadas para que
la muestra total tenga la misma distribución de características que la población en
general. Un problema asociado con el muestreo de cuotas es la dificultad de obtener
información sobre las características de aquellos en su muestra prevista. Además, como
método de muestreo no probabilístico, no puede deducir de sus resultados a la población
en general.

Muestreo de bola de nieve El muestreo de bola de nieve es un método de muestreo no

aleatorio que utiliza algunos casos para ayudar a alentar a otros casos a participar en el
estudio, aumentando así el tamaño de la muestra. "Este enfoque es más aplicable en
poblaciones pequeñas a las que es difícil acceder debido a su naturaleza" cerrada ", por
ejemplo sociedades secretas y profesiones inaccesibles "(Brewerton y Millward, 2001).

Si, por ejemplo, desea entrevistar a directores gerentes de compañías locales, puede tener
dificultades para acceder a un número suficiente de directores. El muestreo de bola de
nieve le permite quizás superar este problema utilizando los directores que conoce para
ponerse en contacto con otros directores dentro de su red comercial. ¿Cómo se puede
lograr esto? Bueno, a menudo suele darse cuenta de que las personas que ocupan puestos
de alta dirección son miembros de diversos organismos profesionales, asociaciones
empresariales y, en general, de una amplia red comercial. En esencia, puede usar algunas
de estas personas clave para comunicarse con su red de negocios más amplia sobre su
investigación.

La ventaja del muestreo de bola de nieve es que otras personas pueden hacer mucho del
trabajo para usted al desarrollar el tamaño de su muestra. Además, algunas de estas
personas pueden ser cruciales para su investigación. Las desventajas con el muestreo de
bolas de nieve son que le brindan al investigador muy poco control sobre los casos dentro
de la muestra. Por ejemplo, es probable que las personas se pongan en contacto con
amigos cercanos, que pueden compartir puntos de vista similares. Por lo tanto, existe la
posibilidad de obtener un número de casos sesgado y no representativo.

Muestreo de conveniencia El muestreo de conveniencia es seleccionar participantes

porque a menudo están disponibles de manera fácil y sencilla. En general, el muestreo por
conveniencia tiende a ser una técnica de muestreo preferida entre los estudiantes, ya que
no es costoso y es una "opción fácil" en comparación con otras técnicas de muestreo. El
muestreo de conveniencia a menudo ayuda a superar muchas de las limitaciones
asociadas con investigación. Por ejemplo, usar amigos o familiares como parte de su
muestra es más fácil que apuntar a personas desconocidas.

Una limitación clave relacionada con el muestreo de conveniencia es el potencial de altos

niveles de sesgo, así como la incapacidad de hacer generalizaciones en toda la población.
En resumen, el muestreo por conveniencia se puede definir como una técnica de
muestreo no aleatorio que el investigador elige por su practicidad.

Muestreo intencional o crítico El muestreo intencional o crítico es una estrategia en la que

los entornos, personas o eventos particulares se seleccionan deliberadamente para
proporcionar información importante que no se puede obtener de otras opciones (Patton,
1990; Maxwell, 1996). Es donde el investigador incluye casos o participantes en la muestra
porque creen que justifican la inclusión. En otras palabras, la inclusión se basa en su
propio juicio personal. Pueden existir varias razones para que decida incluir ciertos casos
pero excluir otros. Estos se pueden resumir como:

• un caso único;

• un caso crítico; y

• Un enfoque en grupos heterogéneos u homogéneos.

Un caso único es aquel que muestra una característica que no es compartida por otros
casos. Para ilustrar, digamos que está realizando un estudio sobre las marcas líderes del
mundo. En general, estos están dominados por Estados Unidos y Japón. Sin embargo, si
una marca europea, digamos Nokia, es la única que representa a Europa en el top ten,
esto podría interpretarse como un caso único. Al incluir un caso único, la intención es
comparar y contrastar los hallazgos con otros casos en su muestra. La inclusión de un caso
único a menudo puede proporcionar hallazgos interesantes que pueden explorarse en
estudios posteriores.

Un caso crítico es uno que es esencial para su investigación. Por ejemplo, los EE. UU. Se
verían como un caso crítico en el contexto de la investigación sobre las principales
economías del mundo. En otras palabras, es probable que la falta de inclusión de EE. UU.
En su investigación tenga un impacto negativo en la credibilidad de sus resultados.

Finalmente, puede que desee examinar grupos heterogéneos u homogéneos. Los

primeros podrían incluir estudiantes participantes de diferentes países, mientras que los
últimos se enfocarán en un grupo de estudiantes de un país en particular.

Uno de los inconvenientes asociados con el muestreo intencional es el potencial de sesgo

de muestreo. Además, no puede generalizar los resultados de su investigación a la
población en general.

¿Puedo combinar técnicas de muestreo?

No necesariamente tiene que restringirse a un tipo de técnica de muestreo. Muchos

investigadores combinan varios métodos al realizar su investigación. Por supuesto, deberá
justificar sus razones para combinar los métodos elegidos en su investigación. Primero,
podría argumentar que estudios similares han combinado técnicas de muestreo. Por lo
tanto, para poder comparar los hallazgos, desea presentar un caso para combinar
métodos. En segundo lugar, podría estar usando triangulación metodológica como parte
de su estudio. Por lo tanto, para aumentar los niveles de confiabilidad y validez, es posible
que desee justificar la combinación de métodos de muestreo. Finalmente, puede
simplemente argumentar que la combinación de métodos significa que está en una mejor
posición para responder a su problema de investigación.

En general, ciertas técnicas de muestreo están mejor combinadas que otras. Por ejemplo,
si utiliza el muestreo de conveniencia, parece natural incluir casos dentro de su muestra
que son cruciales para su investigación (muestreo de juicio). Si bien se pueden utilizar
métodos probabilísticos y no probabilísticos para la misma población, para el investigador
suele llevar mucho tiempo y es costoso.

La Tabla 8.1 ilustra las fortalezas y debilidades asociadas con cada técnica de muestreo
respectiva. En este momento, debe tener en cuenta que no existe un método de
muestreo "mejor". Como se indicó, es probable que varios factores determinen su
elección de la técnica de muestreo. Sin embargo, la Tabla 8.1 actúa como un punto de
partida útil.

Etapa 4: Determine el tamaño de su muestra

"¿Qué tan grande debe ser el tamaño de mi muestra?" Los estudiantes me han
confrontado con esta pregunta en innumerables ocasiones. En resumen, no hay una
respuesta fácil. Una serie de factores influyen en su elección del tamaño de la muestra. Sin
embargo, recuerde que antes de realizar su elección, ya debería haber establecido dos
conjuntos importantes de criterios. Primero, puede definir claramente su población y,
segundo, ha determinado su marco muestral.

En algunos aspectos, es probable que el tamaño de su muestra esté determinado por la

naturaleza de su filosofía de investigación. Si ha adoptado una postura positivista,
entonces es probable que esté interesado en generar una muestra grande que permita el
análisis estadístico. Por otro lado, si decide participar en un enfoque interpretativo de su
investigación, es probable que esté preocupado por una muestra más pequeña. En
resumen, su elección de tamaño de muestra depende de:

• la confianza que necesita tener en sus datos, es decir, el nivel de certeza de que las
características de los datos recopilados representarán las características de la población
total;

• el tamaño de muestra comparativo de estudios anteriores;

• el margen de error que puede tolerar, es decir, la precisión que necesita para las
estimaciones realizadas a partir de su muestra;

• los tipos de análisis que va a realizar, en particular la cantidad de categorías en las que
desea subdividir sus datos, ya que muchas técnicas estadísticas tienen un umbral mínimo
de casos de datos para cada celda;

• el tamaño de la población total de la cual se extrae su muestra; y

• Uso de fórmulas y tablas publicadas.

Primero, si desea hacer una inferencia a una población más amplia, como "regla general",
el tamaño de la muestra debe constar de al menos 30 casos. Idealmente, cuando la
población es menor de 30, toda la población debe incluirse en el estudio, aunque esto
también depende de la medida en que una muestra sea homogénea. En general, cuanto
más heterogénea es una población, mayor es la muestra requerida para adquirir una
muestra representativa, mientras más homogénea, menor es la variabilidad en la
distribución de las características en la población. El nivel de confianza se expresa como
un porcentaje, típicamente 95% o 99%. La confianza que usted tiene en que un parámetro
se encuentra dentro de un rango específico de valores. Un parámetro es una característica
de la población como una proporción (P) o media. Por ejemplo, si adopta un nivel de
confianza del 95%, espera que 95 de cada 100 muestras tengan el verdadero valor de la
población dentro del rango de precisión, por ejemplo. ± 5 por ciento.
En segundo lugar, es posible que desee basar el tamaño de su muestra en estudios
similares anteriores en su campo elegido. La ventaja de esto es que puede permitir
Análisis comparativos con investigaciones previas. Sin embargo, el inconveniente es que la
revisión de estos estudios anteriores no siempre revela las técnicas de muestreo utilizadas
por los investigadores. Por lo tanto, aunque su muestra puede ser de tamaño similar, es
poco probable que adopte el mismo método de muestreo y / o casos.

En tercer lugar, el nivel de precisión o error de muestreo es el rango en el que se estima

que es el valor de población "verdadero". Este rango se ilustra normalmente utilizando
porcentajes, por ejemplo, ± 5 por ciento. Por ejemplo, si un investigador encuentra que el
80% de los consumidores se involucra en actividades de reciclaje con una tasa de precisión
de ± 5%, entonces el investigador puede concluir que entre el 75% y el 85% de los
consumidores de la población han participado en actividades de reciclaje.

Cada muestra estadística que calcule a partir de una muestra tendrá un error de
muestreo, independientemente de la técnica de muestreo que utilice. En última instancia,
cuanto más bajo sea el error de muestreo requerido, mayor deberá ser la muestra
probabilística. La única forma de eliminar el error de muestreo es realizar un censo de
toda la población.

Cuarto, si está adoptando un diseño de investigación de estudio de caso, entonces es

probable que esté examinando un fenómeno de la vida real, tal vez un caso en
profundidad. Por lo tanto, el tamaño de la muestra puede ser uno. A la inversa, si está
realizando una investigación cuantitativa y tiene la intención de utilizar estadísticas
inferenciales, debe considerar cuidadosamente el tamaño de su muestra. En particular, la
subdivisión de sus datos en varias categorías tendrá un impacto en los tipos de técnica de
análisis de datos que puede utilizar.

Quinto, si la población es pequeña, por ejemplo. menos de 150, entonces usted puede
estar en condiciones de realizar un censo de toda la población. La ventaja de poder hacer
esto es que elimina los datos de error de muestreo en todos los individuos. Sin embargo,
como hemos establecido, puede ser costoso y llevar mucho tiempo a toda la población.

Finalmente, hay varias fórmulas y tablas diferentes que se utilizan para determinar el
tamaño de la muestra. El rango de métodos está más allá del alcance de este libro. Para
una discusión más profunda sobre los métodos de muestreo, ver Cochran (1977). Sin
embargo, a continuación se muestra un ejemplo de Yamane (1967). Esta fórmula se utiliza
para calcular los tamaños de muestra en la Tabla 8.2. La tabla muestra el tamaño de la
población y el tamaño de muestra requerido para niveles de precisión de ± 5%, donde el
nivel de confianza es del 95% y P = .5, que es la proporción estimada de una característica
que está presente en la población.

Ejemplo
Yamane (1967: 886) sugiere la siguiente forma de calcular el tamaño de la muestra:

dónde:

n = tamaño de la muestra

N = tamaño de la población

e = precisión (error de muestreo)

A modo de ilustración, si sabe que el tamaño de la población es de 300 administradores y

desea conocer el tamaño de la muestra para que el 95% de los valores de la muestra se
encuentren dentro de 2 desviaciones estándar de la media real de la población, la fórmula
anterior sería la siguiente:

Un tamaño de muestra de 172 gerentes de una población de 300 corresponde al conjunto

final de cifras que figuran en la Tabla 8.2.

Como se mencionó, hay varios métodos utilizados para calcular el tamaño de la muestra.
Los criterios de precisión (error de muestreo), variabilidad y nivel de confianza son
consideraciones importantes al pensar en el tamaño de la muestra en su propio proyecto
de investigación. Recuerde que el tamaño de su muestra calculada no permite las no
respuestas. Idealmente, necesita aumentar el tamaño de su muestra en al menos un 30%
para superar este problema.

El cálculo del tamaño de la muestra se asocia típicamente con el muestreo probabilístico,

que involucra análisis cuantitativo. La decisión sobre el tamaño de la muestra para un
estudio cualitativo puede parecer simple, ya que no necesariamente está haciendo
inferencias en relación con la población en general. Sin embargo, en algunos aspectos es
más difícil porque no hay reglas que rijan la selección de muestras. En algunos aspectos, el
tamaño final de la muestra es casi siempre una cuestión de juicio más que de cálculo
(Hoinville y Jowell, 1985).

TABLA 8.2 Tamaño de la muestra para niveles de precisión de ± 5% donde el nivel de

confianza es del 95% y P = .5

Fuente: Yamane (1967: 886)

Etapa 5: Recoja sus datos

Una vez que haya establecido su población objetivo, marco de muestreo, técnica (s) de
muestreo y tamaño de muestra, el siguiente paso es recopilar sus datos. Como se señaló
en el Capítulo 6, existen numerosos métodos de recopilación de datos primarios. Es
probable que sus métodos elegidos tengan un impacto en su elección de las técnicas de
muestreo. La observación del participante suele estar asociada con un muestreo no
probabilístico, mientras que es más probable que utilice técnicas de probabilidad si está
realizando una encuesta por cuestionario.

Una vez que comienza a recopilar sus datos, una preocupación clave es lograr un número
adecuado de respuestas. Idealmente, el tamaño de su muestra debe ser lo
suficientemente grande como para adaptarse a las no respuestas. Examinamos el tema de
las tasas de respuesta en la siguiente sección.

Etapa 6: evalúe su tasa de respuesta

Su tasa de respuesta es el número de casos que aceptan participar en su estudio. Estos

casos son tomados de su muestra original. Su tasa de respuesta puede, por supuesto,
representarse como un porcentaje o un número real. Por ejemplo, si consideramos lo
primero, digamos que tiene 200 casos en su muestra y que participan un total de 40
participantes. Entonces nuestra tasa de respuesta equivale a:

40/200 × 100 = 20% (tasa de respuesta)

En realidad, la mayoría de los investigadores nunca logran una tasa de respuesta del
100%. Las razones para esto pueden incluir la negativa a responder, la inelegibilidad para
responder, la incapacidad para responder o el entrevistado ha sido localizado pero no
puede hacer contacto. La tasa de respuesta es importante porque cada no respuesta
puede sesgar su muestra final. Si, por ejemplo, decidió realizar una encuesta por correo
electrónico sobre prácticas laborales y recibió una tasa de respuesta del 60%, esto podría
interpretarse como una respuesta excelente. Sin embargo, un examen más detenido de
sus hallazgos podría indicar que la mayoría de los encuestados son los que trabajan a
tiempo completo y trabajan desde casa, mientras que los que trabajan a tiempo parcial
generaron un bajo número de respuestas. Entonces podría concluir que este sesgo se
debe posiblemente al hecho de que las personas que trabajan a tiempo parcial tienen
acceso limitado a Internet. Por lo tanto, su muestra no es representativa de toda la
población.

Una alta tasa de respuesta es esencial si desea inferir de sus resultados a la población más
amplia. Si genera una tasa de respuesta baja, mayor será el Probabilidad de sesgo de la
muestra. Por ejemplo, las tasas de respuesta tan bajas como 5-20% aumentan la
probabilidad de que la muestra no sea representativa. Para ilustrar, suponga que realiza
una investigación para mantener a las mascotas utilizando un método de muestreo
aleatorio de personas en su área. Si recibe una tasa de respuesta de solo el 25%, esto
podría deberse a que solo respondieron aquellos encuestados que tienen una mascota o
un interés en ellas. Esto se debe a que las personas interesadas en las mascotas tienen
más probabilidades de devolver el cuestionario completado.

Por estas razones, es vital hacer un seguimiento de las respuestas. Si experimenta una
tasa de respuesta baja, no se sienta demasiado abatido. Una tasa de respuesta baja puede
estar de acuerdo con estudios de investigación anteriores. Si es así, esto puede hacer para
un análisis comparativo interesante. Al realizar su revisión de literatura, debe estar
familiarizado con lo que constituye una tasa de respuesta "típica" en su materia elegida.

Un factor clave para aumentar su tasa de respuesta es siempre involucrar una etapa de
"persecución". Básicamente, esto implica contactar a los participantes nuevamente para
"alentarlos" a participar en su investigación. Si todo lo demás falla, una muestra de
reserva siempre se puede poner en espera, si su población es lo suficientemente grande
como para permitirle tener una muestra de reserva, ¡eso es!

En resumen, la tasa de respuesta es importante porque cada no respuesta puede sesgar

su muestra final. Definir claramente su muestra, emplear la técnica de muestreo correcta
y generar una muestra grande en algunos aspectos puede ayudar a reducir la probabilidad
de sesgo de la muestra.

Elegir una técnica de muestreo inapropiada es algo que probablemente se dará cuenta en
retrospectiva. Una indicación clave de una mala elección del método de muestreo es una
baja tasa de respuesta. Ciertos métodos, como el muestreo por conveniencia,
probablemente no supongan un problema en términos de respuesta. Por el contrario, el
muestreo aleatorio estratificado suele ser más problemático debido a su naturaleza.

En general, debe estar seguro de haber elegido el método de muestreo correcto antes de
recopilar sus datos. Su elección del método de muestreo puede depender de cuánta
precisión se necesita. Digamos que usted tiene un problema importante que abordar. Por
lo tanto, existe una mayor necesidad de una muestra imparcial con un error de muestreo
medible. La mejor técnica sería una muestra probabilística. Por otro lado, si los hallazgos
se relacionan con una decisión menos importante, una muestra de juicio puede estar
justificada (Peterson y O'Dell, 1950).

INVESTIGACIÓN EN ACCIÓN

Bebidas Inocentes

Cuatro años después de terminar la universidad, los ex graduados de Cambridge Richard

Reed, Adam Balon y Jon Wright decidieron trabajar juntos en la búsqueda de su idea de
negocio. Con experiencia en consultoría de gestión y publicidad, los tres empresarios en
ciernes ciertamente tenían los conocimientos necesarios para iniciar su propio negocio. Su
intención era desarrollar las "mejores bebidas frescas en todo el mundo". Sin embargo,
aunque creían en la esencia de su idea, todavía no tenían un producto.

En 1998, después de seis meses de probar recetas con amigos, gastaron £ 500 en frutas,
las convirtieron en batidos y las vendieron en un pequeño festival de música en Londres.
Junto a su puesto, colocaron un cartel grande que decía "¿Crees que deberíamos
renunciar a nuestros trabajos para hacer estos batidos?" Pusieron un recipiente que decía
"SÍ" y un recipiente que decía "NO" y les pidió a los asistentes al festival que pusieran Su
botella vacía en uno de los contenedores. ¡Richard, Adam y Jon sin duda se alegraron al
descubrir que el contenedor de "SÍ" estaba lleno porque no dudaron en renunciar a sus
trabajos al día siguiente! Bebidas inocentes nació.

Dadas sus limitaciones financieras, continuaron con su muestreo llevando varios frascos a
la vez en tiendas locales un día y regresando al día siguiente para ver si el propietario de la
tienda quería vender más. Con la ayuda de una inyección de capital de £ 250,000 de un
inversionista estadounidense, la compañía ha crecido de fuerza en fuerza. Los productos
incluyen una amplia gama de bebidas de frutas, todas ellas hechas de ingredientes 100%
naturales.

Curiosamente, aunque no es particularmente científico, algunos podrían argumentar que

un factor clave en el éxito de la empresa fue el muestreo implacable realizado por los
empresarios al comienzo de la empresa.

Resumen y conclusión

En este capítulo hemos examinado una serie de cuestiones relacionadas con el muestreo.
En particular, la razón por la cual los investigadores a menudo realizan el muestreo, el
proceso involucrado en la selección de una muestra y la variedad de técnicas de muestreo
disponibles para los investigadores. Aquí están los puntos clave de este capítulo:

• Los métodos de muestreo que elija dependen en gran medida de si desea o no inferir
que sus conclusiones se aplican a la población en general.

• Una población es un grupo claramente definido de sujetos de investigación que se están

muestreando.

• Debe considerar una serie de factores al considerar el tamaño de su muestra. Estos

incluyen: la confianza que tiene en sus datos, estudios anteriores, el margen de error que
puede tolerar, los tipos de análisis que va a realizar, el tamaño de la población total y el
uso de fórmulas y tablas publicadas.

• En general, las técnicas de muestreo se pueden dividir en dos tipos: muestreo

probabilístico o aleatorio y muestreo no probabilístico o no aleatorio.
• Una tasa de respuesta alta es esencial si desea inferir de sus resultados a la población en
general. Si genera una tasa de respuesta baja, existe una mayor probabilidad de sesgo de
muestra.