Académique Documents
Professionnel Documents
Culture Documents
L-
gicas. Tcnicas. Mtodos para abordar la realidad
social. Horacio Chitarroni
UNIVERSOS Y MUESTRAS.
1
En muchas ocasiones, las poblaciones son excesivamente
grandes para ser indagadas en su totalidad (un releva-
miento total de una poblacin se denomina censo) o
bien, aun pudiendo serlo, no resultara conveniente ni se
justificara hacerlo as (Mayntz et al, 1975; Kish, 1993).
3
ramos seguramente mediante un censo. Y si la informa-
cin a recoger es compleja y exige pericia por parte del
encuestador, entonces es muy probable que la -
estimacin muestral resulte en definitiva ms confiable y
cercana al verdadero parmetro que la que se obtendra
de un procedimiento censal (Kish, 1993; Slonim, 1974).
4
zo...? Sin duda, casi todos convendrn en que este lti-
mo procedimiento es el ms prctico.
6
la muestra debieran estar presentes -de manera real o
virtual- todos los elementos que componen la poblacin.
7
cuenta al analizar los resultados derivados del muestreo
(Kish, 1993).
8
La proporcin de mujeres (o cualquier otra medida, tal
como el promedio de edad o de ingresos) que encontra-
mos en la muestra se denomina un estimador, puesto
que pretende estimar la verdadera medida poblacional:
esta ltima se designa como parmetro.
10
nera que no tiene sentido Seguir incrementando desme-
didamente las tiradas: lo mismo sucede con los tamaos
de las muestras. Por otra parte, el ejemplo es til para
advertir otra cosa: el resultado se fue aproximando a la
probabilidad terica independientemente de la cantidad
posible de tiradas, que es infinita. Esta cantidad infinita
de tiradas posibles sera el equivalente del universo.
12
ces se acentuar la tendencia al agrupamiento en torno a
las proporciones de la bolsa, mientras que se volvern
an ms raros los montoncitos 70 y 30 (Noelle, 1970).
14
centuales. Por ejemplo, que si hubiera 50% de bolillas
negras en la bolsa, la muestra no me pueda engaar en
mucho: digamos que contenga entre 47% y 53%. O, di-
cho de otra manera, que si en la muestra tengo una
mezcla de 45% blancas y 55% negras, pueda confiar en
que en realidad debe haber entre 42% y 48% de bolillas
blancas y -por lo tanto- entre 52% y 58% de bolillas ne-
gras
19
3.4.1. Muestras al azar simple
21
La figura 1 esquematiza un muestreo al azar sim-
ple de n = 4 elementos sobre una poblacin total
de N = 20. La fraccin de muestreo sera, pues,
0,2.
22
El muestreo al azar sistemtico asegura dispersin a lo
largo de toda la poblacin, pero podra acarrear algn in-
conveniente en caso de que el listado guardara un orden
predeterminado y no azaroso (Blalock, 1986). Si en el
ejemplo anterior el marco muestral estuviera ordenado
en forma decreciente por el tamao de estos estableci-
mientos y la primera eleccin al azar recayera sobre una
escuela situada al comienzo del listado, tenderamos a
elegir escuelas algo ms grandes que si comenzramos a
elegir desde un punto ms avanzado.
24
Hay que notar que uno no elige arbitrariamente la va-
riable estratificadora: en el primer caso, probablemente
elegimos la carrera porque suponemos que las opiniones
de los alumnos pueden diferenciarse significativamente
en funcin de este criterio. En el segundo ejemplo, he-
mos elegido estratificar por zonas porque sabemos que
estas zonas difieren en su conformacin socioeconmica
y es probable que esto influya en los rendimientos esco-
lares de los alumnos. Obviamente, pues, se estratifica
con variables cuya distribucin en el universo es conoci-
da.
Por qu estratificamos
Pero tal vez pensemos que slo 100 casos son pocos
para llevar a cabo el anlisis. Entonces, podramos asig-
nar los casos a los estratos en forma no proporcional:
por ejemplo, la mitad a cada estrato. Si ello fuera as,
tendramos fracciones mustrales diferentes: mayor en
el estrato pequeo:
26
f2 = n2/N2 = 500/10.000 = 0,05
Para decirlo de una vez, all donde exista una gran di-
versidad, difcil de captar, destinaremos ms casos. Don-
de hay una realidad homognea, en cambio, necesitare-
mos menos (Mayntz et al, 1975). Pero, cunto ms o
cunto menos? Existe una frmula estadstica que permi-
te resolver la cuestin.
28
El error en el muestreo estratificado
30
La figura 4, en cambio, esquematiza un muestreo
estratificado no proporcional. En el estrato 1, que
presenta gran heterogeneidad, se seleccionaron
tres elementos sobre cinco, de manera que la frac-
cin muestral es muy grande: 0,60. En tanto que
en el otro estrato, enteramente homogneo (pues-
to que todas las casillas son de igual color), bast
con un solo elemento sobre quince. La fraccin de
muestro es all 0,07.
31
Vamos a suponer que deseamos conocer algunas carac-
tersticas de los alumnos que cursan el ciclo primario en
la Ciudad de Buenos Aires, para lo cual necesitamos apli-
carles un cuestionario. Podramos apelar a los registros
de la Secretara de Educacin de esa jurisdiccin y ex-
traer una muestra seleccionando al azar simple o siste-
mtico a los alumnos: en los mismos registros (que se-
ran nuestro marco muestral) encontraramos la informa-
cin necesaria para localizarlos. Sin embargo, esto resul-
tara muy trabajoso y es posible aplicar un procedimiento
ms prctico. En nuestro universo, los elementos (los
alumnos) estn naturalmente agrupados en unos conjun-
tos o conglomerados (las escuelas). Y resultara muy
sencillo contar con un listado de escuelas. Por qu no
seleccionar al azar (simple o sistemtico) cierta cantidad
de estos conglomerados: por ejemplo, una dcima parte
de ellos?
33
las encuestas de hogares, as como las de opinin y los
sondeos electorales.
35
No escapar a la sagacidad del lector que al proceder
de este modo no hemos hecho una sino varias seleccio-
nes al azar. En cada una de ellas habr una distribucin
de muestreo y, por lo tanto, estar presente el corres-
pondiente error. Puesto que los errores se adicionan, el
error final resultar considerablemente mayor. Las fr-
mulas que permiten estimarlo son sumamente complejas
(existe ms de un procedimiento) y desbordan con mu-
cho esta breve exposicin. Algunos textos, sin embar-
go9 sugieren una solucin sencilla para un problema
complejo: determinado el tamao muestral como si se
tratara de una muestra al azar simple, debiera obtenerse
una 50% ms grande si se tratara de una muestra de
etapas mltiples.
4. Muestreo no probabilstico
37
equivocarse. Esta clase de muestreo no forma parte,
pues, de los procederes cientficos.
38
Como en el caso del muestreo estratificado, es necesa-
rio conocer la distribucin en el universo de ciertas va-
riables importantes que nos permitan construir
las cuotas. Por ejemplo, si tuviramos que hacer una en-
cuesta de opinin en la Ciudad de Buenos Aires dirigida a
personas de 15 y ms aos, podramos tener en cuenta
la distribucin de la poblacin por sexo y edad. Esta dis-
tribucin podramos conocerla fcilmente apelando a los
datos del ltimo censo:
43
ramos contar con listados de personas, porque ellas po-
dran ser halladas en sus lugares de trabajo. Bastara con
los listados -mucho ms pequeos y manejables-de su-
cursales bancarias, escuelas o dependencias policiales.
Seleccionando muestras al azar simple o sistemtico de
estas instituciones, podramos luego entrevistar a una
parte o a todos los sujetos que trabajan en ellas: sera
una muestra de conglomerados.
44
masiado amplias. De este modo, las escuelas de cada
una de estas reas quedaran razonablemente prximas
entre s. Cada encuestador se ocupara de unas pocas
reas de una misma regin, con lo que la tarea se facili-
tara considerablemente.
45