MUESTREO

El muestreo es por lo tanto una herramienta de la investigacin

cientfica, cuya funcin bsica es determinar que parte de una
poblacin debe examinarse, con la finalidad de hacer inferencias
sobre dicha poblacin.
La
muestra debe
lograr una representacin adecuada de la
poblacin, en la que se reproduzca de la mejor manera los rasgos
esenciales de dicha poblacin que son importantes para la
investigacin. Para que una muestra sea representativa, y por lo tanto
til, debe de reflejar las similitudes y diferencias encontradas en la
poblacin, es decir ejemplificar las caractersticas de sta.
Inicialmente, los muestreos se dividen en dos grandes grupos:

MUESTREO NO PROBABILSTICO: es una tcnica de

muestreo donde las muestras se recogen en un proceso que no
brinda a todos los individuos de la poblacin iguales
oportunidades de ser seleccionados.

MUESTREO PROBABILSTICO (ALEATORIO): Interviene el

azar de alguna forma. Nos vamos a centrar en este tipo de
muestreo.
MUESTREO PROBABILSTICO

El muestreo probabilstico es una tcnica de muestreo en virtud de la

cual las muestras son recogidas en un proceso que brinda a todos los
individuos de la poblacin las mismas oportunidades de ser
seleccionados.
Dentro de los mtodos de muestreo probabilsticos encontramos los
siguientes tipos:
1. MUESTREO ALEATORIO SIMPLE
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 maestral,
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.
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.
Lo que el investigador tiene que hacer es asegurarse de que
todos los miembros de la poblacin sean incluidos en la lista y
luego seleccionar al azar el nmero deseado de sujetos.
Existen muchos mtodos para hacer esto. Puede ser tan
mecnico como sacar tiras de papel de un sombrero con
nombres escritos mientras el investigador tiene los ojos
vendados o puede ser tan fcil como usar un software de
computadora para hacer la seleccin aleatoria.
El procedimiento empleado es el siguiente:

se asigna un nmero a cada individuo de la poblacin

a travs de algn medio mecnico bolas dentro de una

bolsa, tablas de nmeros aleatorios, nmeros aleatorios
generadas con una calculadora u ordenador. se eligen
tantos sujetos como sea necesario para completar el
tamao de muestra requerido.

Este procedimiento, atractivo por su simpleza, tiene poca o nula

utilidad prctica cuando la poblacin que estamos manejando es muy
grande.
2.

MUESTREO ALEATORIO 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 maestral 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 maestral.
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 maestral.
2. Dividimos el marco maestral 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.

3. MUESTREO ALEATORIO 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 maestral, mejorando la
precisin de nuestros resultados al realizar un estudio sobre la
muestra.
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 es diferente. 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

42,4M

41,0%

410

37,6M

36,3%

363

23,5M

22,7%

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

Poblacin

Proporcin

Muestra

42,4M

41,0%

334

37,6M

36,3%

333

23,5M

22,7%

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).
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 particionados 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
(Wh=1/L), el resultado que obtenemos es

MUESTREO ALEATORIO POR CONGLOMERADOS

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.
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 qu 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 l % 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..
VENTAJAS
Y
DESVENTAJAS
CONGLOMERADOS

DEL

MUESTREO

POR

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.

MTODOS DE MUESTREO NO PROBABILSTICOS

1. MUESTREO POR CUOTAS

SEGMENTACIN

En primer lugar, dividimos la poblacin objeto de estudio en

grupos de forma exhaustiva (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.
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.
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.
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.

2. MUESTREO INTENCIONAL O DE 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.

VENTAJAS E INCONVENIENTES
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.
3. BOLA DE NIEVE

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
entrevista, el acceso a otros contactos.

finalizada

la

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.