MUESTREO PROBABILSTICO

Hablaremos de muestro probabilstico siempre que se cumplan dos condiciones:

(1) Todos los elementos de mi poblacin tienen una probabilidad
mayor
de
cero
de
ser
seleccionados
en
la
muestra.
(2) Conozco de forma precisa dicha probabilidad para cada elemento, lo que se
conoce como probabilidad de inclusin.
El cumplimiento de ambos criterios es el que hace posible obtener resultados no
sesgados cuando estudio la muestra. En ocasiones, estos resultados no sesgados
requieren usar tcnicas de ponderacin (weighting), pero esta ponderacin es
posible precisamente porque conozco qu probabilidad tengo de que cada
individuo sea seleccionado en mi muestra. Las muestras generadas en estas
condiciones se conocen tambin como muestras probabilsticas.
La definicin anterior nos lleva a concluir que slo podemos hacer muestreo
probabilstico si dispongo de un marco muestral. El censo de un pas, el conjunto
de direcciones de hogares en una poblacin o la lista de clientes de una empresa,
son ejemplos de marcos muestrales que hacen posible un muestreo probabilstico.
En cada uno de estos casos, el universo a estudiar es diferente: habitantes de un
pas, hogares de una poblacin y clientes de una empresa, respectivamente.
Una vez tengo un marco muestral, la forma exacta que empleo para seleccionar
mi muestra define las diferentes tcnicas de muestreo probabilstico: Muestreo
aleatorio simple, muestreo sistemtico, muestreo estratificado, muestreo por
conglomerados, muestreo desproporcionado

MUESTREO NO PROBABILSTICO
Sin embargo, no es sencillo cumplir con los requisitos impuestos por el muestreo
probabilstico:
(1) Disponer de un marco muestral es algo relativamente poco habitual en
estudios
de
mercado.
(2) Lograr que todos los individuos de la poblacin tengan una probabilidad no
nula de ser seleccionados es un requisito igualmente exigente, ms an conocer
la probabilidad de inclusin exacta de cada unidad muestral. Todos los individuos
que no pueden ser seleccionados en una muestra se suelen referir como unidades
fuera de cobertura.
Por todas estas razones, as como por razones de coste, los investigadores
recurren con frecuencia a otras tcnicas de muestreo, agrupadas dentro de lo que

se conoce como muestreo no probabilstico. En estas tcnicas alternativas, es

habitual seleccionar elementos para la muestra basndose en hiptesis relativas a
la poblacin de inters, lo que se conoce como criterios de seleccin. Por ejemplo,
seleccionar una muestra buscando individuos por la calle, tratando de que la mitad
sean hombres y la mitad mujeres (coincidiendo con la distribucin que se supone
en la poblacin) sera un criterio de muestreo no probabilsitico.
En estos casos, debido a que la seleccin de las unidades de la muestra no es
aleatorio, cuando hablamos de muestreo no probabilstico no deberamos hablar
de estimaciones de error. Dicho de otra forma, una muestra no probabilstica nos
informa de cmo es un universo pero no nos permite saber con qu precisin: no
podemos establecer unos mrgenes de error y unos niveles de confianza.
Algunas tcnicas de muestreo de este tipo son: el muestreo por conveniencia,
muestreo secuencial, muestreo por cuotas, muestreo discrecional y muestreo por
bola de nieve.

Error de muestreo
Tal y como hemos indicado, no es posible conocer qu margen de error vamos a
tener en un estudio (por ejemplo, los resultados de una encuesta)
cuando empleamos muestreo no probabilstico. Esto incluye encuestas hechas
seleccionando a personas por la calle y entrevistndolas cara a cara, o haciendo
llamadas telefnicas al azar o a travs de una muestra obtenida en un panel
online. En ninguno de estos casos se cumplen los criterios exigidos por el
muestreo probabilstico: tener un marco muestral con unidades para las que puedo
calcular la probabilidad de que sean seleccionadas en mi muestra. En encuestas
cara a cara por la calle no tengo el listado de individuos que componen el
universo. En la encuesta telefnica, aunque disponga de un listado telefnico, no
todos los individuos tienen un telfono fijo o aparecen en las guas pblicas. En el
caso de un panel online, las personas que no acceden a internet no pueden se
seleccionadas y tienen probabilidad de inclusin nula.
Sin embargo, es habitual encontrar estudios hechos con estas tcnicas que
indican margen de error y nivel de confianza. Es una prctica formalmente
incorrecta, pero que suelen usar los investigadores con el objetivo de dar una
indicacin de la influencia que tiene el tamao muestral empleado en la precisin
de los resultados. Debera leerse como si esta muestra fuese probabilstica,
ofrecera un margen de error X.

MUESTREO PROBABILSTICO: MUESTREO

ALEATORIO SIMPLE
Siguiendo con nuestra serie de posts dedicados al muestreo, hoy revisaremos la
primera de las tcnicas de muestreo probabilstico: el muestreo aleatorio simple.
Esta tcnica es una de las ms populares y sirve de referencia a todas las dems
aunque, como ya comentamos, en la prctica difcilmente puede utilizarse.
Definicin
El muestreo aleatorio simple (M.A.S.) es la tcnica de muestreo en la que todos
los

elementos que forman el universo y que, por lo tanto, estn descritos en el marco
muestral, tienen idntica probabilidad de ser seleccionados para la muestra. Sera
algo as como hacer un sorteo justo entre los individuos del universo: asignamos a
cada persona un boleto con un nmero correlativo, introducimos los nmeros en
una urna y empezamos a extraer al azar boletos. Todos los individuos que tengan
un nmero extrado de la urna formaran la muestra. Obviamente, en la prctica
estos mtodos pueden automatizarse mediante el uso de ordenadores.

Dependiendo de si los individuos del universo pueden ser seleccionados ms de

una vez en la muestra, hablaremos de M.A.S. con reposicin o sin reposicin.
Si usamos reposicin, el hecho de que seleccione un individuo al azar para mi
muestra no impedira que este mismo individuo pudiese volver a ser seleccionado
en una siguiente seleccin. Sera equivalente a decir que cada vez que extraigo un
nmero al azar de mi urna, vuelvo a colocar el nmero antes de la siguiente
extraccin. Si por el contrario no usamos reposicin, un individuo seleccionado
para la muestra una vez ya no entrara nuevamente en el sorteo.
La pregunta obvia es, qu es mejor, usar reposicin o no usar reposicin? Es un
simple problema matemtico.Csar Prez Lpez, en su libro Muestreo
Estadstico (Pearson, 2005) desarrolla de forma muy clara una comparacin entre
ambas tcnicas. Tanto si lo miramos desde el punto de vista de qu tcnica
genera estimaciones ms precisas como desde el punto de vista de qu tcnica
me permite tener la misma precisin con menor tamao de muestra, se puede
concluir que el muestreo aleatorio simple sin reposicin siempre es ms
eficiente.
Para poder observar este resultado, partimos de la siguiente expresin para el
tamao de muestra en un M.A.S. sin reposicin. La frmula relaciona el tamao de
muestra necesario cuando el universo es finito con el tamao necesario cuando el
universo es infinito:

Donde n0 es el tamao de muestra necesario para un universo infinito y N es el

tamao del universo finito. Es posible demostrar que el tamao de muestra cuando
usamos reemplazo (nr) es siempre igual al tamao necesario para universo infinito
(nr=n0). Si eso sucede, podemos afirmar que

Por lo tanto, el tamao de muestra cuando no usamos reposicin siempre es

menor al necesario si usamos reposicin. Este resultado coincide con la intuicin:

si estamos empleando reposicin y por azar incluimos un individuo ms de una

vez en la misma muestra, el efecto es similar a reducir el tamao de la muestra ya
que observo menor diversidad de individuos. Del mismo modo, si el universo es
infinito, ambos mtodos coinciden, dado que la probabilidad de seleccionar al
mismo individuo dos veces en la misma muestra tiende a ser infinitamente
pequea.

Beneficios del muestreo aleatorio simple

El desarrollo de la informtica ha permitido que disear una muestra aleatoria
simple sea extremadamente rpido y fiable. La generacin de nmeros aleatorios
mediante software estrictamente son nmeros pseudo-aleatorios es cada vez
ms fiable.
De esta forma, al usar M.A.S. nos aseguramos la obtencin de muestras
representativas, de manera que la nica fuente de error que va a afectar a mis
resultados va a ser el azar. Y lo que es ms importante, este error debido al azar
puede calcularse de forma precisa (o al menos acotarse). Puedes consultar el
siguiente post para obtener ms informacin.

Inconvenientes del muestreo aleatorio simple

El nico inconveniente del M.A.S. es la dificultad de llevarlo a la prctica
en investigaciones reales. Recordemos: al ser una tcnica probabilstica,
necesito un marco muestral con todos los individuos y que todos ellos sean
seleccionables para mi muestra. Un requisito que difcilmente puede cumplirse en
la mayora de estudios de mercado y opinin reales, lo que nos obligar a emplear
otras tcnicas.

MUESTREO PROBABILSTICO: MUESTREO

ESTRATIFICADO

Esta tcnica, perteneciente a la familia de muestreos probabilsticos, consiste en

dividir toda la poblacin objeto de estudio en diferentes subgrupos o estratos
disjuntos, de manera que un individuo slo puede pertenecer a un estrato. Una
vez definidos los estratos, para crear la muestra se seleccionan individuos
empleando una tcnica de muestreo cualquiera a cada uno de los estratos por
separado. Si por ejemplo empleamos muestreo aleatorio simple en cada estrato,
hablaremos de muestreo aleatorio estratificado (M.A.E. en adelante). Del mismo
modo, podramos usar otras tcnicas de muestreo en cada estrato (muestreo
sistemtico, aleatorio con reposicin, etc.).

Los estratos suelen ser grupos homogneos de individuos, que a su vez son
heterogneos entre diferentes grupos. Por ejemplo, si en un estudio esperamos
encontrar un comportamiento muy diferente entre hombres y mujeres, puede ser
conveniente definir dos estratos, uno por cada sexo. Si la seleccin de estos
estratos es correcta (1) los hombres deberan comportarse de forma parecida
entre ellos, (2) las mujeres deberan comportarse de forma muy similar entre ellas
y (3) hombres y mujeres deberan mostrar comportamientos dispares entre s.
Si la anterior condicin se cumple (estratos homogneos internamente,
heterogneos entre s) el uso del muestreo aleatorio estratificado reduce el error
muestral, mejorando la precisin de nuestros resultados al realizar un estudio
sobre la muestra.
Es relativamente habitual definir estratos de acuerdo a algunas variables
caractersticas de la poblacin como son la edad, sexo, clase social o regin
geogrfica. Estas variables permiten dividir fcilmente la muestra en grupos
mutuamente excluyentes y con bastante frecuencia, permiten discriminar
comportamientos diferentes dentro de la poblacin.

Tipos de muestreo estratificado

Dependiendo del tamao que asignamos a los estratos, hablaremos de
diferentes tipos de muestreo estratificado. Tambin se acostumbra a hablar de
diferentes formas de afijacin de la muestra en estratos.
(1) Muestreo estratificado proporcionado
Cuando seleccionamos una caracterstica de los individuos para definir los
estratos, suele ocurrir que el tamao de las subpoblaciones resultantes en el
universo son diferentes. Por ejemplo, queremos estudiar el % de la poblacin que
fuma en Mxico y pensamos que la edad puede ser un buen criterio para
estratificar (es decir, pensamos que existen diferencias importantes en el hbito de
fumar dependiendo de la edad). Definimos 3 estratos: menores de 20 aos, de 20
a 44 aos y mayores de 44 aos. Es de esperar que al dividir toda la poblacin
mexicana en estos 3 estratos no resulten grupos de igual tamao. Efectivamente,
si miramos datos oficiales, obtenemos:
* Estrato 1 Poblacin Mexicana menor de 19 aos: 42,4 millones (41,0%)
* Estrato 2 Poblacin Mexicana de 20 a 44 aos: 37,6 millones (36,3%)
* Estrato 3 Poblacin Mexicana mayor de 44 aos: 23,5 millones (22,7%)
Si usamos muestreo estratificado proporcionado, la muestra deber tener
estratos que guarden las mismas proporciones observadas en la poblacin. Si en
este ejemplo queremos crear una muestra de 1.000 individuos, los estratos
tendrn que tener un tamao como sigue:
Estrato

Poblacin

Proporcin

Muestra

1
2
3

42,4M
37,6M
23,5M

41,0%
36,3%
22,7%

410
363
227

(2) Muestreo estratificado uniforme

Hablaremos de una afijacin uniforme cuando asignamos el mismo tamao de
muestra a todos los estratos definidos, sin importar el peso que tienen esos
estratos en la poblacin. Siguiendo con el ejemplo anterior, un muestreo
estratificado uniforme definira la siguiente muestra por estrato:
Estrato
1
2
3

Poblacin
42,4M
37,6M
23,5M

Proporcin
41,0%
36,3%
22,7%

Muestra
334
333
333

Esta tcnica favorece los estratos que tienen menos peso en la poblacin,
equiparndolos en importancia a los estratos ms relevantes. Globalmente, reduce
la eficiencia de nuestra muestra (menor precisin en los resultados), pero como
contrapartida permite estudiar caractersticas particulares de cada estrato con
mayor precisin. En nuestro ejemplo, si queremos emitir alguna afirmacin
especfica sobre la poblacin del estrato 3 (mayores de 44 aos), podremos
hacerlo con menor nivel de error muestral si empleamos una muestra de 333
unidades que si lo hacemos con una muestra de 227 (como ocurra en el muestreo
estratificado proporcional).
(3) Muestreo estratificado ptimo (respecto a la desviacin estndar)
En este caso, el tamao de los estratos en la muestra no guardar
proporcionalidad con la poblacin. Por el contrario, se define el tamao de los
estratos proporcionalmente a la desviacin estndar de las variables objeto de
estudio. Es decir, se toman estratos de mayor tamao en los estratos con mayor
variabilidad interna para representar mejor en el total de la muestra los grupos
poblacionales ms difciles de estudiar.

Eficiencia de los diferentes muestreos estratificados

Las preguntas inevitables son: cuando conviene emplear la estratificacin?, qu
tipo de estratificacin es ms conveniente?

El muestreo estratificado proporcional produce siempre menor o

igual error muestral que el muestreo aleatorio simple, es decir, es

ms preciso. La igualdad se produce cuando las medias o las

proporciones que estamos analizando son iguales en todos los estratos.
Por lo tanto, la estratificacin produce ms beneficio cuanto ms
diferentes sean los estratos entre s.
El muestreo estratificado ptimo es siempre igual o ms preciso
que el muestreo estratificado proporcional. Ambos mtodos son igual
de precisos cuando las desviaciones tpicas dentro de cada estrato son
iguales, en cuyo caso ambos mtodos son totalmente equivalentes. Por
lo tanto, la estratificacin ptima produce ms beneficio cuanto ms
diferencias existan entre las desviaciones dentro de cada grupo,
situacin en la que podremos reducir el tamao muestral de los grupos
ms homogneos en beneficio de los ms heterogneos. Como
contrapartida, es un mtodo ms complejo y que requiere tener mucha
informacin a priori de la muestra que estudiamos, algo que
normalmente no tenemos.

Tamaos de muestra requeridos por cada tcnica

Vemos que la estratificacin puede proporcionar beneficios. Si estas tcnicas
pueden emplearse para estimar de forma ms precisa ya sean medias (p.e. media
de cigarrillos consumidos por los fumadores de Mxico) o proporciones (p.e.
proporcin de la poblacin de Mxico que fuma), tambin pueden permitirnos
reducir el tamao de muestra requerido para lograr una estimacin con un nivel de
error determinado.
La siguiente tabla resume el tamao de muestra requerido al emplear cada
tcnica, en funcin del error mximo que estamos dispuestos a aceptar y de las
caractersticas del propio universo, que consideraremos de tamao infinito (si
fuese finito, debe aplicarse un factor de correccin).

Para interpretar el cuadro anterior es necesario tener en cuenta lo siguiente:

L es el nmero de estratos en que particionamos la muestra y h es un

ndice que se refiere a un estrato concreto. Por lo tanto, h puede variar
entre 1 y L estratos.
p es la proporcin que buscamos en el total de la poblacin (p.e. % de
fumadores). Por lo tanto, (1-p) es la proporcin de la muestra
complementaria, la que no cumple el criterio buscado (no fumadores).
Del mismo modo, ph es dicha proporcin dentro de cada uno de los
estratos.
2 es la varianza que el dato buscado (en el caso de estimar medias)
tiene en el total de la poblacin. Asimismo, h2 es la varianza dentro de
cada estrato.
e es el margen de error aceptado.
Wh es el peso que el estrato tiene en la muestra (tamao del estrato
respecto al total de la muestra). Si hablamos de estratificacin
proporcional, cada Wh es igual a la proporcin que ese estrato
representa en la poblacin. Si hablamos de estratificacin ptima, cada
Wh se calcula en funcin de la dispersin dentro de cada estrato.

Es posible demostrar a partir de las frmulas anteriores que los diferentes

mtodos de estratificacin slo reducen el tamao de la muestra si los valores
de p y vara entre estratos. De lo contrario, todas las expresiones son
equivalentes. Veamos un ejemplo: si tomamos la expresin de tamao de muestra
requerido para estimar una media mediante un muestreo estratificado ptimo

y consideramos que todas las varianzas de los estratos son iguales ( h=) y que el
tamao de los estratos es idntico (W h=1/L), el resultado que obtenemos es

MUESTREO PROBABILSTICO: MUESTREO

SISTEMTICO

Siguiendo con nuestra serie de posts dedicados a las tcnicas de muestreo y tras
examinar el muestreo estratificado, hoy echaremos un vistazo al muestreo
sistemtico.

El muestreo sistemtico era muy popular en el pasado, antes de que la

incorporacin de la informtica hiciese trivial un problema que siempre haba dado
muchos quebraderos de cabeza a los investigadores: elegir individuos de forma
aleatoria dentro de una muestra. En la medida en que los ordenadores nos han
facilitado la tarea de generar nmeros aleatorios, este problema ha desaparecido.
Tambin se sigue utilizando para seleccionar individuos a lo largo del tiempo. Por
ejemplo, para estudiar la satisfaccin de un servicio, podemos elegir
sistemticamente encuestar a 1 de cada n clientes que nos visitan. En estas
circunstancias, en las que puede existir diferente varianza entre individuos en
diferentes periodos de tiempo, el muestreo sistemtico puede ser incluso ms
preciso que el muestreo aleatorio puro.
En qu consiste el muestreo sistemtico?
Es una tcnica dentro de la categora de muestreos probabilsticos y que por lo
tanto requiere tener un control preciso del marco muestral de individuos
seleccionables junto con la probabilidad de que sean seleccionados consistente
en escoger un individuo inicial de forma aleatoria entre la poblacin y, a
continuacin, seleccionar para la muestra a cada ensimo individuo disponible en
el marco muestral.
El muestreo sistemtico es un proceso muy simple y que slo requiere la eleccin
de un individuo al azar. El resto del proceso es trivial y rpido. Los resultados que
obtenemos son representativos de la poblacin, de forma similar al muestreo
aleatorio simple, siempre y cuando no haya algn factor intrnseco en la forma en
que los individuos estn listados que haga que se reproduzcan ciertas

caractersticas poblacionales cada cierto nmero de individuos. Este suceso es

realmente poco frecuente.
El proceso
De forma concreta, el proceso que seguiramos en un muestreo sistemtico sera
el siguiente:
1. Elaboramos una lista ordenada de los N individuos de la poblacin, lo que
sera el marco muestral.
2. Dividimos el marco muestral en n fragmentos, donde n es el tamao de
muestra que deseamos. El tamao de estos fragmentos ser
K=N/n
donde K recibe el nombre de intervalo o coeficiente de elevacin.
3. Nmero de inicio: obtenemos un nmero aleatorio entero A, menor o igual al
intervalo. Este nmero corresponder al primer sujeto que seleccionaremos para
la muestra dentro del primer fragmento en que hemos dividido la poblacin.
4. Seleccin de los n-1 individuos restantes: Seleccionamos los siguientes
individuos a partir del individuo seleccionado aleatoriamente, mediante una
sucesin aritmtica, seleccionando a los individuos del resto de fragmentos en que
hemos dividido la muestra que ocupan la misma posicin que el sujeto inicial. Esto
equivale a decir que seleccionaremos los individuos
A, A + K, A + 2K, A + 3K, ., A + (n-1)K
Ejemplo
Supongamos que tenemos un marco muestral de 5.000 individuos y deseamos
obtener una muestra de 100 de ellos. Dividimos en primer lugar el marco muestral
en 100 fragmentos de 50 individuos. A continuacin seleccionamos un nmero
aleatorio entre 1 y 50, para extraer el primer individuo al azar del primer fragmento:
por ejemplo el 24. A partir de este individuo, queda definida la muestra extrayendo
los individuos de la lista con intervalos de 50 unidades, tal y como sigue
24, 74, 124, 174, , 4.974

Propiedades del muestreo sistemtico

Las principales ventajas son:
o Obtiene buenas propiedades de representatividad, similares a la de un
muestreo aleatorio simple o incluso superiores, pero de forma ms
rpida y simple, al evitar la necesidad de generar tantos nmeros
aleatorios como individuos en la muestra.

o Respecto al muestreo aleatorio, el muestreo sistemtico puede

garantizarnos una seleccin perfectamente equitativa de la poblacin.
Esto puede ser de utilidad si se distinguen grupos dentro de universo, lo
que nos podra evitar la necesidad de usar estratos. Si existe diferente
varianza entre los individuos de los fragmentos, este muestreo puede
ser mejor que el aleatorio. Lo veremos luego.
Como desventajas, slo existe la ya mencionada posibilidad de que el orden en
que se han listado los candidatos a la muestra tenga algn tipo de periodicidad
oculta que coincida con el intervalo escogido para generar la muestra sistemtica.
En este caso, podramos generar una muestra sesgada.
Eficiencia del muestreo sistemtico
El muestreo sistemtico se ide para mejorar las propiedades del muestreo
aleatorio simple, pero el grado de mejora es variable dependiendo de las
propiedades del universo estudiado.
Para entender las propiedades de este muestreo, hay que tener en cuenta una
cosa: si fijamos el intervalo o coeficiente de elevacin segn el tamao de la
muestra que necesitamos, slo hay un elemento aleatorio dentro del proceso de
muestreo: la unidad inicial que seleccionamos del primer bloque de individuos. El
resto queda fijado de antemano. Esto equivale a decir que slo tenemos k posibles
muestras diferentes a obtener y que el muestreo es simplemente escoger una de
las k muestras disponibles.
Es posible demostrar que cuanto ms supera la varianza dentro de las k posibles
muestras que podemos generar a la varianza poblacional, ms precisin ganamos
usando el muestreo sistemtico respecto al aleatorio simple. Lo anterior puede
interpretarse diciendo que el muestreo sistemtico es ms preciso que el aleatorio
simple cuando la variabilidad dentro de las posibles muestras es superior a
la variabilidad dentro de las unidades de la poblacin. La precisin del muestreo
sistemtico coincide con la del aleatorio simple cuando ambas variabilidades
coinciden, y esto se da cuando la disposicin de los elementos en la poblacin es
totalmente aleatoria.

MUESTREO PROBABILSTICO: MUESTREO POR

CONGLOMERADOS
Con este post dedicado al muestreo por conglomerados cerramos el primer gran
bloque de posts dedicados almuestreo probabilstico. A partir de la prxima

publicacin abordaremos tcnicas de muestreo no probabilstico, las ms

habituales cuando hablamos de investigacin online.

El muestreo por conglomerados es una tcnica que aprovecha la existencia de

grupos o conglomerados en la poblacin que representan correctamente el total
de la poblacin en relacin a la caracterstica que queremos medir. Dicho de otro
modo, estos grupos contienen toda la variabilidad de la poblacin. Si esto sucede,
podemos seleccionar nicamente algunos de estos conglomerados para realizar el
estudio.
Podemos ver esta tcnica desde otro punto de vista. Mientras que en todas las
tcnicas vistas hasta ahora las unidades de muestreo coinciden con las unidades
a estudiar (individuos), en el muestreo por conglomerados las unidades de
muestreo son grupos de unidades de estudio, algo que puede resultar muy
beneficioso en relacin al coste del propio muestreo. A cambio, es habitual obtener
una menor precisin al usar esta tcnica, causada por falta de heterogeneidad
dentro de los conglomerados.
El proceso de muestreo

El primer paso para aplicar esta tcnica es definir los conglomerados. Se trata de
identificar una caracterstica que permita dividir la poblacin en grupos disjuntos
(sin solapamiento) y exhaustiva (todos los individuos deben estar en un grupo), de
tal manera que los grupos no difieran entre s en relacin a aquello que queremos
medir. Una vez hemos definido estos conglomerados, seleccionaremos al azar
algunos de ellos para estudiarlos.
Un criterio habitual para definir conglomerados es el geogrfico. Por ejemplo, si
queremos estudiar que proporcin de la poblacin argentina fuma, podemos dividir
el total de la poblacin en provincias y seleccionar algunas de ellas para ser
estudiadas. Si no tenemos razones para pensar que el % de fumadores va a
cambiar de una provincia a otra, esta solucin nos permitir concentrar el esfuerzo
de muestreo en un nico entorno geogrfico. Si el estudio se va a hacer mediante
entrevistas personales, esto representa un importante ahorro de costes de
desplazamientos.
Una vez definimos los conglomerados, el siguiente paso es seleccionar los
conglomerados a estudiar, ya sea mediante un muestreo aleatorio simple o
sistemtico.
Por ltimo, una vez hemos seleccionado los conglomerados a estudiar, podemos
investigar a todos los sujetos que forman parte de los mismos, o bien aplicar un
nuevo proceso de muestreo dentro del conglomerado, por ejemplo obteniendo una
muestra mediante muestreo aleatorio simple o sistemtico. Si optamos por esta
posibilidad, estaremos hablando de un muestreo en dos etapas o bietpico: la
primera etapa es la seleccin del conglomerado, la segunda la de individuos
dentro del conglomerado. Si por el contrario estudiamos todos los individuos del
conglomerado, hablaremos de muestreo por conglomerados unietpico.

Muestreo estratificado y muestreo por conglomerados

La idea del muestreo por conglomerados recuerda a la del muestreo estratificado.
En ambos casos dividimos la poblacin en grupos. Sin embargo, los principios
detrs de ambas tcnicas son en cierto modo opuestos.
El muestreo estratificado es especialmente adecuado cuando los grupos (estratos)
son muy homogneos internamente y muy diferentes entre s. En ese caso,
conviene asegurar que tenemos representantes en nuestra muestra que provienen
de todos los estratos. Por el contrario, el muestreo por conglomerados es muy
adecuado cuando los grupos en que dividimos la poblacin son muy similares
entre s, por lo que no hay gran diferencia entre estudiar individuos de un grupo o
de otro.
Es por ello que pese a que ambas tcnicas dividen la poblacin (en estratos o
conglomerados) el proceso de seleccin de individuos es radicalmente diferente.
Ventajas y desventajas del muestreo por conglomerados

La principal ventaja de esta tcnica es de tipo operativa: seleccionar un

conglomerado a estudiar suele ser ms fcil y econmico que hacer una
muestra aleatoria o sistemtica. Hemos visto por ejemplo que usar
conglomerados geogrficos puede representar un importante ahorro en
desplazamientos de personas.
Curiosamente, es habitual hacer estudios a travs de Internet en los que
se sigue pensando en trminos de estudiar slo unas zonas geogrficas,
cuando en realidad a travs de Internet no obtenemos ningn beneficio
operativo; al contrario, incurrimos en mayor riesgo de tener menor
precisin por diferencias entre las regiones estudiadas y el resto de la
poblacin. Esta prctica es una herencia injustificada de tcnicas que
eran buenas en entrevistas personales, pero que no lo son al usar otras
metodologas.
Como principal inconveniente, al usar muestreo por conglomerados
corremos un riesgo importante: que los conglomerados no sean
realmente homogneos entre ellos. En el ejemplo anterior sobre
fumadores en Argentina, podra suceder que en una de las provincias
exista ms propensin a fumar, por ser una regin ms urbana, por
razones culturales, etc.

Eficiencia del muestreo por conglomerados

Cmo podemos comparar esta tcnica con otras vistas con anterioridad? Lo bien
o mal que va a funcionar esta tcnica va a depender, de forma similar a como
ocurra en el muestreo estratificado, de la relacin entre varianza dentro y fuera de
los conglomerados.
Esta relacin se suele expresar con un coeficiente de correlacin
intraconglomerados (), que se define como el coeficiente de correlacin lineal
entre todos los pares de valores de la variable en estudio medidos sobre las
unidades de los conglomerados y extendido a todos los conglomerados. En
definitiva, este coeficiente es una medida de la homogeneidad en el interior de los
conglomerados.
Cuanto menor sea el coeficiente de homogeneidad intraconglomerados , mayor
eficiencia arrojar el muestreo por conglomerados. Recordemos que lo ideal es
que los conglomerados sean tan heterogeneos como el total de la muestra, con el
fin de que la seleccin de un conglomerado concreto nos de la misma informacin
que la seleccin de individuos al azar del total de la poblacin.
Si comparamos el muestreo aleatorio simple con el muestreo por conglomerados,
es posible demostrar que si =0 ambos mtodos son equivalentes. Esta condicin
implica que los conglomerados son exactamente tan heterogeneos como el total
de la poblacin. El peor caso sera =+1 , mientras que el ms favorable sera el
de=-1/(M-1), donde M es el tamao del conglomerado. Sin embargo,
normalmente va a ser siempre mayor que 0, ya que lo normal es que las
unidades de un conglomerado tengan cierto parecido entre s.

Otra forma de ver el impacto de este problema es calcular el tamao de muestra

necesario al emplear muestreo por conglomerados para lograr la misma precisin
de un muestreo aleatorio simple. Esta expresin es la que sigue
nc = na (1 + (M-1) )
donde nc es el tamao de muestra en muestreo por conglomerados y naes el
tamao de muestra que necesitaramos en muestreo aleatorio simple. Por lo tanto,
el factor (1+(M-1) es la variacin del tamao de muestra que necesitamos
debido al uso de conglomerados. Normalmente ser un incremento. Este factor se
conoce como efecto de diseo.
Esperamos que este post haya sido de ayuda para entender mejor esta tcnica
de muestreo probabilstico. A continuacin, podrs encontrar los enlaces al resto
de artculos que conforman la serie:

MUESTREO NO PROBABILSTICO: MUESTREO POR

CONVENIENCIA

Iniciamos con este post la segunda parte de nuestra serie dedicada a tcnicas de
muestreo. Esta segunda parte describir las tcnicas de muestreo no
probabilstico.
Recordemos: hablamos de muestreo no probabilstico cuando no tenemos
acceso a una lista completa de los individuos que forman la poblacin (marco
muestral) y, por lo tanto, no conocemos la probabilidad de que cada individuo sea
seleccionado para la muestra.
La principal consecuencia de esta falta de informacin es que no podremos
generalizar resultados con precisin estadstica.
El muestreo por conveniencia
Es una tcnica comnmente usada. Consiste en seleccionar una muestra de la
poblacin por el hecho de que sea accesible. Es decir, los individuos
empleados en la investigacin se seleccionan porque estn fcilmente disponibles,
no porque hayan sido seleccionados mediante un criterio estadstico. Esta
conveniencia, que se suele traducir en una gran facilidad operativa y en bajos

costes de muestreo, tiene como consecuencia la imposibilidad de hacer

afirmaciones generales con rigor estadstico sobre la poblacin.
Por ejemplo, supongamos que queremos conocer la opinin de los estudiantes
universitarios chilenos acerca de la poltica. Una muestra probabilstica requerira
acceder a un censo del total de estudiantes de todas las universidades chilenas
con el fin de seleccionar al azar un grupo de individuos y encuestarlos. Una
muestra por conveniencia podra consistir en dirigirme a 3 universidades cercanas,
simplemente porque estn en la poblacin en la que reside el encuestador, y
encuestar a unos cuantos individuos que acepten participar al salir de las aulas
por la maana.

Las limitaciones de este tipo de muestreo son obvias. En el ejemplo anterior,

podra suceder que diferentes tipos de universidades correlacionen con estratos
sociales y con opiniones polticas. Es ms, si selecciono estudiantes de 3
universidades concretas y los encuesto por la maana, sus opiniones podran ser
diferentes de las de estudiantes del turno de tarde (que tal vez trabajan al mismo
tiempo que estudian).
Significa lo anterior que los resultados de una muestra por conveniencia son
totalmente irrelevantes, que no nos dicen nada de la poblacin? No exactamente.
Si tenemos buenas razones para pensar que la seleccin por conveniencia no va
a introducir sesgos respecto al total de la poblacin, los resultados que obtendr
pueden ser una buena imagen del universo estudiado. El problema es que no
sabr
exactamente
cmo de
buena
es
esa
imagen: no
puedo
usar
herramientas
estadsticas
como
el margen de
error y el
intervalo de
confianza par
a medir la
precisin de
mis

resultados. Los lectores del estudio tendrn que confiar en los criterios de la
seleccin hecha por el investigador.
Los estudios clnicos
No debemos ver el muestreo por conveniencia como un mtodo intil. De hecho,
es habitual su uso exitoso en muchos mbitos. Por ejemplo, los estudios clnicos
con voluntarios. En dichos estudios, se solicita a personas con ciertas
caractersticas fsicas que acudan voluntariamente para formar parte de algn tipo
de investigacin o incluso algn tratamiento. El investigador clnico que usa esta
tcnica est considerando que cualquier individuo que cumpla con una cierta
caractersticas (por ejemplo, ser diabtico) va a ser representativo del universo. O
dicho de otra manera, el hecho de que un individuo vea o no vea la solicitud de
voluntarios, acceda o no a participar, sea de una regin o de otra, etc. no va a
afectar a sus resultados en el estudio.
A diferencia del ejemplo anterior sobre estudiantes chilenos, en el caso del estudio
clnico el uso de un muestreo por conveniencia parece apropiado y no hace
pensar que se vayan a producir sesgos en los resultados. La clave est
en considerar si la conveniencia en la seleccin realmente va a representar
un sesgo.
Estudios piloto
Otro uso frecuente de este tipo de muestreo es la realizacin de un estudio piloto.
Una muestra por conveniencia en una fase inicial de un proyecto nos puede dar
informacin sobre tendencias y resultados que vamos a encontrar al usar una
muestra probabilstica. Esta informacin podemos usarla para modificar el
planteamiento del estudio antes de incurrir en una tcnica de muestreo ms
costosa.

Ventajas e inconvenientes
Dadas las caractersticas de este tipo de muestreo, sus pros y sus contras son
evidentes.
La principal virtud del muestreo por conveniencia es su conveniencia! Simple,
econmico, rpido Nos puede dar informacin valiosa en muchas
circunstancias, especialmente cuando no existen razones fundamentales que

diferencien a los individuos que tengo accesibles de los que forman el total de la
poblacin.
El principal defecto, la falta de representatividad, la imposibilidad de hacer
aseveraciones estadsticas sobre los resultados y el riesgo de incurrir en sesgos
debido al criterio de muestreo empleado. En el peor de los casos, mi muestra
conveniente puede presentar un sesgo sistemtico respecto al total de la
poblacin, lo que producira resultados distorsionados.
Margen de error y nivel de confianza
Es un tema que tratamos en un post anterior. No es correcto usar muestreo por
conveniencia y expresar los resultados del estudio indicando un margen de error y
un nivel de confianza. Sin embargo, es algo que se suele hacer.
Si optas por calcular ese margen de error, deberas indicar que no corresponde a
la muestra empleada, sino a una muestra del tamao aleatoria simple de ese
tamao. Y, en cualquier caso, siempre que usemos una muestra por conveniencia,
deberamos acompaar los resultados con una descripcin de cmo se ha
obtenido dicha muestra para que el lector valore qu credibilidad puede dar a los
resultados.

MUESTREO NO PROBABILSTICO: MUESTREO POR

CUOTAS
Llegamos al fin, en nuestra serie de posts dedicada al muestreo, al mtodo estrella
entre los muestreos no probabilsticos: el muestreo por cuotas. Esta tcnica es la
que suele usarse en investigacin online a travs de paneles. Podemos ver el
muestreo por cuotas como la versin no probabilstica del muestreo estratificado.
Consta de tres fases:

1. Segmentacin
En primer lugar, dividimos la poblacin objeto de estudio en grupos de forma
exahustiva (todos los individuos estn en un grupo) y mutuamente exclusiva (un
individuo slo puede estar en un grupo), de forma similar a la divisin en estratos
empleada en el muestreo estratificado. Normalmente esta segmentacin se hace
empleando alguna variable sociodemogrfica como sexo, edad, regin o clase
social.
2. Fijamos el tamao de las cuotas
A continuacin, fijamos el objetivo de individuos a encuestar para cada uno de
estos grupos. Normalmente definiremos estos objetivos de forma proporcional al
tamao del grupo en la poblacin. Por ejemplo, si hemos definido unos segmentos
por sexo en una poblacin en la que hay un 60% de mujeres y un 40% de
hombres, y queremos obtener una muestra de 1.000 personas, definiremos un
objetivo de 600 mujeres y 400 hombres. Estos objetivos se conocen como cuotas.
En este ejemplo, tendramos una cuota por sexo de 600 mujeres y 400 hombres.
En ocasiones se definen cuotas no proporcionales a la poblacin, por ejemplo
para poder profundizar en el anlisis de un grupo especfico.
3. Seleccin de participantes y comprobacin de cuotas
Por ltimo, se buscan participantes para cubrir cada una de las cuotas definidas.
En este punto es donde nos alejamos de un muestreo probabilstico: en el
muestreo por cuotas aceptamos que la seleccin de individuos no sea
aleatoria, puede ser una seleccin mediante muestreo por conveniencia. Por
ejemplo, en un estudio en el que hayamos definido una cuota de 100 personas

menores de 25 aos y 100 personas de 25 o ms aos, podramos salir a la calle

y abordar a las personas que encontramos a nuestro paso, preguntarles su edad y
encuestarlas si no hemos cubierto nuestro objetivo.

De acuerdo a la descripcin anterior, la diferencia entre el muestreo estratificado y

el muestreo por cuotas est en la forma en que selecciono participantes. En el
muestreo estratificado dispongo de una lista de posibles entrevistados, todos ellos
con una cierta probabilidad (conocida) de ser seleccionados. En el muestreo por
cuotas no. Voy obteniendo candidatos a formar parte de la muestra de forma no
aleatoria y voy comprobando antes de entrevistar si son vlidos para mi estudio
(es decir, si puede formar parte de una de mis cuotas o ya he excedido mi
objetivo). Cuando debo descartar a un posible participante por efecto de una cuota
(es la mujer 101 cuando mi cuota es de 100 mujeres), hablamos de un individuo
descartado por ser quota-full.

La eleccin de variables
La pregunta que nos podemos plantear es: qu variables debo escoger en un
muestreo por cuotas? cmo segmento la poblacin? Esta cuestin es un factor
clave en este tcnica.
Pensemos cual es la finalidad de usar cuotas: es lograr que la muestra sea lo
ms representativa posible del universo estudiado. Cuando definimos cuotas por
sexo y edad en una muestra, lo que garantizamos es que, independientemente de
que el mtodo de seleccin de individuos no sea puramente aleatorio, al menos la
muestra va a guardar unas proporciones idnticas al universo en cuanto a sexo y
edad.
Visto desde este punto de vista, debemos elegir para definir cuotas aquellas
variables que cumplan doscondiciones: (1) que ms puedan verse alteradas
respecto a la poblacin por el proceso de seleccin no aleatorio que empleamos, y
(2) que ms puedan incidir en el dato que queremos medir.

Veamos los dos criterios anteriores en un ejemplo concreto: una muestra obtenida
de un panel online. Supongamos que queremos medir a travs de una muestra
extrada de un panel online el % de personas que fuman en una poblacin . Qu
variables deberamos seleccionar para definir cuotas?
De
entrada,
aquellas
variables
que
pensemos
que
pueden
aparecer distorsionadas por el hecho de seleccionar la muestra en un panel

online respecto a la poblacin: por ejemplo la edad (en los paneles online suele
haber mayor proporcin de jvenes que en la poblacin) y clase social (los
paneles tienen dificultades para captar personas de clases bajas, especialmente
en Amrica Latina).
Podramos prescindir de cuotas de regin. Los paneles online no suelen captar
en una regin concreta, sino que captan a travs de medios online que son
accesibles desde cualquier regin. Salvo que estemos en un pas con grandes
diferencias entre regiones a nivel socioeconmico, no sera necesario. Si, adems,
no esperamos que haya diferencias en el hbito de fumar por regiones, no tendra
ningn beneficio forzar una cuota de este tipo.
Si atendemos al segundo criterio (cuotas que puedan afectar al resultado medido),
podramos optar por aadir una cuota de sexo: el hbito de fumar suele variar
entre hombres y mujeres y, salvo que trabajemos con un panel en el que nos
garanticen que la composicin por sexo es perfecta, es recomendable controlar
esta cuota tambin.

Muestreo por cuotas y representatividad

El uso de cuotas en un muestreo no probabilstico no nos va a permitir
transformarlo en probabilstico. Seguiremos sin poder calcular el margen de error y
el nivel de confianza sobre los resultados. Es decir, el uso de cuotas no nos
permite medir el grado de precisin de nuestros resultados.

Significa esto que es lo mismo usar o no usar cuotas? Es el muestreo por

conveniencia es equivalente al muestreo por cuotas? La respuesta es NO. El uso
de cuotas pone cierto control a los sesgos que pueden producirse por el mtodo
de seleccin empleado, nos garantiza que en una serie de variables clave vamos
a reproducir la composicin de la poblacin en nuestra muestra. El problema es
que, pese a que es una prctica comn por parte de muchos investigadores, no
vamos a poder afirmar cuan representativa es nuestra muestra. Las cuotas
mejoran la representividad, pero no sabemos cunto.
Pese a todo, el muestreo por cuotas es uno de los mtodos de muestreo ms
populares y prcticamente el nico mtodo viable cuando hacemos investigacin
online (salvo que contemos con un panel probabilstico). Usar cuotas es un
sistema efectivo y econmico de obtener muestras que proporcionan informacin
relevante.

Ventajas e inconvenientes
La principal ventaja del muestreo por cuotas es que ofrece resultados tiles a un
coste efectivo y, si se han elegido correctamente las variables sobre las que
segmentar, dichos resultados suelen ser fiables.
Los principales inconvenientes son dos: (1) la imposibilidad de acotar el error que
estamos cometiendo al usar este tipo de muestreo y (2) el riesgo de obviar una
cuota relevante en un estudio. Por ejemplo, si en un estudio electoral no fijamos
una cuota por regiones y resulta que la tendencia de voto es muy diferente en
unas regiones respecto a otras, los resultados globales estarn fuertemente
distorsionados.
Errores frecuentes al usar cuotas en Internet
El muesteo por cuotas es muy popular. La mayor parte de estudios telefnicos y
personales, ante la falta de un marco muestral preciso (como podra ser un censo
de poblacin) emplean cuotas para asegurar un nivel de representatividad
aceptable. Esta tcnica tambin predomina en estudios online a travs de paneles.
Sin embargo, el medio online tiene sus particularidades y es frecuente que
algunos investigadores no las tengan en cuenta, limitndose a reproducir tcnicas
empleadas en medios offline. Esta prctica puede producir resultados de menor
calidad y en algunos casos mayores costes.

Algunos ejemplos:
Cuotas geogrficas

* En offline la regin del respondiente es una variable clave a controlar cuando

hacemos encuestas personales, por razones obvias. Si los encuestadores estn
en una ciudad, todos los respondientes sern de esa ciudad. Es por ello que la
regin es una cuota clave. Tambin es habitual limitar la muestra a unas cuantas
ciudades, las ms importantes de cada pas, para reducir el coste.
* En online la regin no es tan importante, es simple encontrar personas de
diferentes ciudades. No tiene un sobre-coste encuestar gente de una o de diez
ciudades. Por ello, si el factor geogrfico no es clave, podramos no controlar las
cuotas geogrficas. Si es importante, podemos fijar cuotas para obtener respuesta
de todas las regiones, no de unas pocas ciudades. De esta forma, obtendremos

mejores datos y a menor coste, ya que podemos usar todo el panel para obtener
resultados.
Cuotas por clase social
* En offlinela clase social no suele considerarse una cuota clave en los pases
europeos y en Norteamrica, al menos no en todos los estudios. Las diferencias
entre clases sociales existen pero no son tan profundas como en otras regiones
como Latinoamrica. Justamente en esta ltima zona, al recolectar los datos
mediante entrevista personal, las clases sociales altas son de difcil acceso
mientras que las clases sociales bajas son ms simples de obtener.
* En online la clase social es ms relevante que en offline, especialmente en
pases con una adopcin de Internet media o baja. Curiosamente, en estos pases
la situacin en Internet es inversa a la situacin offline: es ms fcil acceder a
clases altas en Latinoamrica a travs de Internet y es muy difcil acceder a clases
bajas.

Cuotas por sexo y edad

* En offlinesexo y edad son variable tpicas a controlar mediante cuotas. En
campo personal no suelen dar muchos problemas, mientras que en campo
telefnico es ms sencillo acceder a mujeres que a hombres, y a personas
mayores frente a jvenes. Con la irrupcin del mvil el problema se ha agravado:
los jvenes apenas usan el telfono fijo.
* En online ambas variables deben controlarse, igual que en offline. Los
paneles online acceden ms fcilmente a gente joven, especialmente en la franja
de los 20 a 35 aos. Tambin es habitual que los paneles recluten ms mujeres
que hombres, porque son ms demandadas para estudios de mercado, por lo que
es necesario controlar la variable sexo.

MUESTREO NO PROBABILSTICO: MUESTREO POR BOLA DE

NIEVE
Finalizamos con este post nuestra serie dedicada a tcnicas de muestro. Hoy
vamos a hablar de una tcnica conocida como bola de nieve (snowball sampling).
El muestreo por bola de nieve es una tcnica de muestreo no probabilstica en la
que los individuos seleccionados para ser estudiados reclutan a nuevos
participantes entre sus conocidos. El nombre de bola de nieve proviene
justamente de esta idea: del mismo modo que una bola de nieve al rodar por una
ladera se va haciendo ms y ms grande, esta tcnica permite que el tamao de
la muestra vaya creciendo a medida que los individuos seleccionados invitan a
participar a sus conocidos.

La bola de nieve se usa con frecuencia para acceder a poblaciones de baja

incidencia y a individuos de difcil acceso por parte del investigador. En
estudios en los que se quiere estudiar un colectivo muy especfico (por ejemplo,
personas aficionadas a la filatelia o coleccionismo de sellos), puede resultar
mucho ms efectivo obtener una muestra a travs de conocidos y amigos de los
propios coleccionistas, que mediante una seleccin puramente aleatoria, en la que
una gran cantidad de individuos candidatos a participar seran descartados.
Supuestamente, es muy probable que un coleccionista de sellos conozca a otros
coleccionistas de sellos, lo que hace de esta tcnica una forma efectiva de
muestrear un colectivo que de otra manera resultara de difcil acceso para el
investigador.
Por lo tanto, la bola de nieve funciona especialmente bien cuando el rasgo
distintivo de la poblacin que queremos estudiar tiende a agrupar a dichos
individuos, a favorecer su contacto social. Es algo ms habitual de lo que podra
parecer a simple vista. Es obvio que coleccionistas, practicantes de un deporte o
aficionados a un tipo de msica pueden cumplir con esta propiedad. Pero tambin
aplica a otros colectivos como pacientes de una enfermedad rara, por poner un
ejemplo, ya que su circunstancia personal facilita que estas personas entren en
contacto con otras personas con el mismo rasgo (por ejemplo, en la consulta del
mdico, en asociaciones, etc.).

Proceso
El proceso de creacin de una muestra mediante bola de nieve se fundamenta en
usar la red social de unos individuos iniciales para acceder a un colectivo.
Podramos dividir este proceso en los siguientes pasos:

1. Definir un programa de participacin, en el que se describa el proceso por

el que un individuo invita o refiere a otros para que participen.
2. Identificar colectivos u organizaciones que puedan facilitar el acceso a unos
individuos iniciales que cumplan con el rasgo caracterstico del estudio.
3. Obtener contactos iniciales y pedirles su participacin. Esta parte sera
similar a una tcnica de muestreo convencional, pero destinada a obtener
un tamao de muestra reducido.
4. Solicitar a los participantes, una vez finalizada la entrevista, el acceso a
otros contactos.
5. Asegurar la diversidad de contactos mediante una correcta seleccin de los
individuos iniciales y promoviendo que la recomendacin no se limite a
contactos muy cercanos.

Tipos de muestreo bola de nieve

Bsicamente podemos identificar dos tipos de muestreo bola de nieve:

1. Muestreo lineal: Cada individuo participante debe recomendar a otro
individuo, de forma que la muestra crece a un ritmo lineal.
2. Muestreo exponencial: Cada individuo debe invitar a participar a dos o
ms individuos. De esta forma, cuanta ms gente participa en el estudio,
ms gente se aade al mismo.
Ventajas e inconvenientes
Las principales ventajas de esta tcnica son:

Permite muestrear a poblaciones de difcil acceso.

Es un proceso econmico y sencillo.
Requiere poca planificacin y pocos recursos humanos: los propios
sujetos entrevistados hacen de mano de obra.

Respecto a los inconvenientes:

Falta de control sobre cmo se constituye la muestra, ya que est en

manos de los propios encuestados y su criterio para seleccionar nuevos
individuos.
Como toda tcnica no probabilstica, la bola de nieve no garantiza
representatividad, ni permite conocer el grado de precisin que
ofrecer.
Esta tcnica es especialmente sensible al sesgo de muestreo. Dado que
los individuos participantes se obtienen por invitacin de individuos ya

seleccionados, podra suceder que todos los individuos compartan

ciertas caractersticas o rasgos, independientemente del rasgo objeto de
estudio, por lo que el muestreo estara accediendo slo a un subgrupo
de la poblacin a estudiar. Este problema se pone especialmente de
manifiesto si la seleccin de individuos iniciales no es suficientemente
diversa.
Tamao de muestra incontrolado: la tcnica no permite fijar a priori con
precisin el tamao de muestra que vamos a obtener.

Otras consideraciones
Sin duda, el principal problema de la bola de nieve es el riesgo de sesgos de
comunidad: accedemos a un subgrupo de individuos dentro de nuestro target y
el reclutamiento de nuevos miembros no logra salir de ese subgrupo. El nico
remedio contra este mal es hacer una buena seleccin inicial de individuos, que
nos garantice que cualquier subgrupo existente sea accesible en la red de
contactos de los individuos iniciales.
Cabe destacar que esta tcnica muchas veces es la nica posible cuando nos
dirigimos a colectivos reducidos en los que no es posible tener un marco muestral.
Es por ellos que muchos investigadores trabajan en perfeccionar la tcnica para
corregir sus sesgos. En concreto, una de las tcnicas ms prometedores en las
que se trabaja se conoce como Respondent Driven Sampling, un sistema que trata
de corregir mediante un modelo matemtico los posibles sesgos introducidos en la
seleccin de individuos.