Ver esquema

Tema 58. Población y muestra. Condiciones de representatividad de una muestra. Tipos de muestreo. Tamaño de una muestra.

Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria) · Índice oficial del BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria.

Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.

Este tema desarrolla en profundidad la metodología del muestreo, apenas enunciada en el tema 57, y constituye el eslabón que conecta la estadística descriptiva con la inferencial: sin un muestreo bien diseñado, ninguna generalización posterior a la población es matemáticamente legítima. Es un tema de fuerte componente procedimental y muy conectado con la práctica profesional (encuestas, estudios de mercado, ensayos clínicos), por lo que suele plantearse en el examen con supuestos prácticos de diseño de un estudio o de cálculo del tamaño muestral necesario, además de la parte puramente teórica sobre los tipos de muestreo probabilístico y no probabilístico.

← Ver el índice completo del temario

Concepto de población estadística

La población estadística, también llamada universo, es el conjunto completo de todos los individuos, elementos o unidades que poseen la característica objeto de estudio y sobre los que se desea obtener conclusiones. Puede ser finita, cuando el número de elementos es contable y determinado (los estudiantes matriculados en un curso académico concreto), o infinita, cuando no lo es, ya sea porque el proceso generador de datos es continuo en el tiempo (todas las piezas que una máquina podría fabricar) o porque el conjunto teórico de posibles observaciones no tiene límite natural. La población debe definirse con precisión antes de iniciar cualquier estudio, delimitando claramente sus criterios de inclusión y exclusión (el ámbito geográfico, temporal, de edad, etc.), ya que una definición ambigua de la población objetivo invalida cualquier conclusión posterior, por muy correcto que sea el tratamiento matemático de los datos. Conviene distinguir la población objetivo (aquella sobre la que realmente se desea concluir) de la población accesible o marco muestral (el conjunto de individuos de los que efectivamente se puede extraer la muestra), ya que ambas no siempre coinciden y la diferencia entre ellas es una fuente habitual de sesgo. El estudio de la totalidad de la población, sin muestreo, se denomina censo, y solo resulta viable cuando la población es de tamaño reducido o cuando existen obligaciones legales o administrativas que lo exigen, como el Censo de Población y Viviendas.

Concepto de muestra

La muestra es un subconjunto de la población, de tamaño n, seleccionado con el objetivo de que su estudio permita inferir con fiabilidad conocida las características de la población completa, de tamaño N, sin necesidad de examinar todos y cada uno de sus elementos. El recurso al muestreo, en lugar del censo, se justifica por razones prácticas de coste económico y temporal (estudiar una muestra es siempre más barato y rápido que estudiar toda la población), por la propia naturaleza destructiva de algunas mediciones (por ejemplo, en un control de calidad que implica romper o consumir el producto analizado, censar equivaldría a destruir toda la producción) y, en poblaciones infinitas, por pura imposibilidad material de examinar todos los elementos. La muestra debe entenderse siempre como un instrumento al servicio de la inferencia, no como un fin en sí misma: su valor no reside en describir bien sus propios elementos, sino en permitir generalizaciones fiables sobre la población de origen. Para que dicha generalización sea matemáticamente legítima, la muestra debe obtenerse mediante un procedimiento de selección aleatorio, de modo que cada elemento de la población tenga una probabilidad conocida de resultar seleccionado; en caso contrario, por muy grande que sea la muestra, las conclusiones extraídas de ella pueden estar sesgadas de forma sistemática e impredecible respecto a la población real.

Parámetro poblacional frente a estadístico muestral

Un parámetro es una medida numérica que describe una característica de la población completa —la media poblacional μ, la varianza poblacional σ², la proporción poblacional p—; por definición, es un valor fijo y constante, aunque en la práctica resulte casi siempre desconocido, precisamente porque no se dispone de los datos de toda la población. Un estadístico o estimador es una medida numérica calculada a partir de los datos de una muestra —la media muestral x̄, la cuasivarianza muestral s², la proporción muestral p̂— y, a diferencia del parámetro, es una variable aleatoria: si se repitiera el proceso de muestreo extrayendo una muestra distinta de la misma población, el valor del estadístico cambiaría, mientras que el parámetro poblacional que se pretende estimar permanecería invariable. Esta distinción terminológica —reforzada convencionalmente mediante letras griegas para los parámetros y letras latinas (con frecuencia con un acento circunflejo o una barra) para los estadísticos— es la clave conceptual de toda la inferencia estadística: el objetivo del muestreo es utilizar el valor observado de un estadístico, junto con el conocimiento de su distribución de probabilidad (la distribución muestral), para realizar afirmaciones fundamentadas sobre el parámetro poblacional correspondiente, ya sea mediante estimación puntual, por intervalos o mediante un contraste de hipótesis. Confundir sistemáticamente parámetro y estadístico es uno de los errores conceptuales más comunes del alumnado al iniciarse en la inferencia.

Representatividad de una muestra

Una muestra es representativa cuando reproduce, en sus características esenciales, la estructura y la variabilidad de la población de la que procede, de modo que las conclusiones obtenidas en ella pueden generalizarse razonablemente al conjunto de la población. La representatividad no depende únicamente, ni principalmente, del tamaño de la muestra —una muestra muy grande pero mal seleccionada puede ser gravemente no representativa, mientras que una muestra relativamente pequeña pero bien diseñada puede serlo—, sino sobre todo del procedimiento de selección empleado: debe garantizar que todos los subgrupos relevantes de la población (por edad, sexo, nivel socioeconómico, ubicación geográfica, u otra variable pertinente para el estudio) estén presentes en la muestra en una proporción similar a la que tienen en la población total. La condición formal que garantiza la representatividad en sentido probabilístico es la aleatoriedad de la selección: solo cuando cada elemento de la población tiene una probabilidad conocida (no nula) de formar parte de la muestra puede aplicarse la teoría de la probabilidad para cuantificar el error de muestreo y, con ello, la fiabilidad de las conclusiones. La ausencia de representatividad, conocida como sesgo de muestreo, es la causa más frecuente de que un estudio estadístico, por muy sofisticado que sea su análisis posterior, arroje conclusiones erróneas o directamente engañosas sobre la población real.

Sesgo de muestreo

El sesgo de muestreo es la desviación sistemática, no debida al azar, entre las características de la muestra seleccionada y las de la población de la que procede, que hace que las estimaciones obtenidas se alejen de forma predecible y reiterada del verdadero valor poblacional, con independencia del tamaño muestral empleado. A diferencia del error de muestreo, que es aleatorio, inevitable y se reduce al aumentar el tamaño de la muestra, el sesgo es un error sistemático de diseño que no desaparece por muy grande que sea la muestra: si el procedimiento de selección favorece estructuralmente a ciertos individuos de la población en detrimento de otros, aumentar el número de encuestados solo hace que la estimación converja, con mayor precisión, hacia un valor equivocado. Las causas más habituales de sesgo de muestreo son el uso de un marco muestral incompleto o no coincidente con la población objetivo, el sesgo de autoselección (cuando participan solo quienes voluntariamente deciden hacerlo, típicamente los más motivados o afectados por el tema), el sesgo de no respuesta (cuando una parte sistemática de los seleccionados no responde) y el sesgo del entrevistador (cuando la forma de formular las preguntas condiciona las respuestas). Detectar y minimizar estas fuentes de sesgo mediante un diseño muestral cuidadoso es una condición previa e ineludible para que cualquier análisis estadístico posterior tenga validez científica.

Muestreo aleatorio simple

El muestreo aleatorio simple (MAS) es el procedimiento probabilístico más básico, en el que se seleccionan n elementos de una población de tamaño N de modo que todos los subconjuntos posibles de tamaño n tengan exactamente la misma probabilidad de ser elegidos como muestra. En la práctica, se implementa numerando todos los elementos de la población de 1 a N y extrayendo n de ellos mediante un mecanismo aleatorio (una tabla de números aleatorios o, en la actualidad, un generador de números pseudoaleatorios por ordenador), pudiendo realizarse con reemplazamiento (un mismo elemento puede ser seleccionado más de una vez, y la probabilidad de selección se mantiene constante en cada extracción, 1/N) o sin reemplazamiento (cada elemento, una vez seleccionado, se retira de la población, de modo que la probabilidad de selección varía en cada extracción sucesiva, aunque para poblaciones grandes frente al tamaño muestral ambas variantes son prácticamente equivalentes). El muestreo aleatorio simple es el modelo teórico de referencia sobre el que se construyen la mayoría de los resultados clásicos de la inferencia estadística (distribución muestral de la media, teorema central del límite en su formulación elemental), pero presenta el inconveniente práctico de requerir un listado completo y numerado de toda la población (el marco muestral), lo que no siempre está disponible, y de no garantizar por sí mismo una representación proporcional de subgrupos minoritarios pero relevantes para el estudio, problema que resuelven otros diseños muestrales más elaborados.

Muestreo sistemático

El muestreo sistemático selecciona los elementos de la muestra a intervalos regulares y constantes a partir de un listado ordenado de toda la población, en lugar de extraerlos de manera completamente aleatoria uno a uno. El procedimiento consiste en calcular un coeficiente de elevación o intervalo de muestreo k = N/n (población entre tamaño muestral deseado), elegir aleatoriamente un primer elemento entre los k primeros de la lista, y a partir de él seleccionar sistemáticamente cada k-ésimo elemento hasta completar la muestra (por ejemplo, si k = 10, se elige al azar un elemento entre el 1 y el 10, y después los elementos 10 posiciones más adelante sucesivamente). Su principal ventaja frente al muestreo aleatorio simple es la sencillez operativa —basta un listado ordenado y no es necesario generar n números aleatorios independientes— y suele proporcionar en la práctica una dispersión de la muestra a lo largo de toda la población similar a la de un muestreo aleatorio simple, siempre que el listado no presente una periodicidad oculta que coincida con el intervalo k, en cuyo caso el muestreo sistemático puede introducir un sesgo grave (por ejemplo, si se muestrea un producto fabricado en lotes de tamaño k y siempre se selecciona la misma posición dentro de cada lote, la muestra reflejará sistemáticamente una única fase del proceso productivo). Por este riesgo de periodicidad, es recomendable comprobar previamente que el orden de la lista no esconde ningún patrón cíclico relacionado con la variable de interés.

Muestreo estratificado

El muestreo estratificado divide previamente la población en subgrupos internamente homogéneos y mutuamente excluyentes, denominados estratos, definidos según una o varias variables relevantes para el estudio (por ejemplo, la comunidad autónoma, el sexo, o el tramo de edad), y a continuación selecciona una muestra aleatoria simple (o sistemática) de forma independiente dentro de cada estrato, combinando después los resultados. La asignación del tamaño muestral a cada estrato puede realizarse de forma proporcional al tamaño relativo de cada estrato en la población (afijación proporcional, la más habitual), de forma uniforme (el mismo número de individuos en cada estrato, con independencia de su tamaño relativo) o de forma óptima (asignando más muestra a los estratos con mayor variabilidad interna, lo que minimiza el error total para un tamaño muestral global dado). La principal ventaja de este diseño es que garantiza la presencia en la muestra de todos los subgrupos de interés, incluidos los minoritarios, en una proporción controlada, y reduce el error de muestreo respecto al muestreo aleatorio simple cuando existe heterogeneidad relevante entre estratos, ya que la variabilidad dentro de cada estrato es menor que la variabilidad de la población completa. Su principal exigencia es disponer de información previa fiable sobre la variable de estratificación para poder definir los estratos y su tamaño relativo antes de realizar el muestreo, lo que no siempre está disponible.

Muestreo por conglomerados

El muestreo por conglomerados (o por clusters) divide la población en grupos naturales heterogéneos internamente pero similares entre sí, denominados conglomerados —por ejemplo, los municipios de una región, los centros escolares de una provincia o las manzanas de una ciudad—, y selecciona aleatoriamente un número de estos conglomerados completos, estudiando después a todos los individuos que los componen (conglomerados de una sola etapa) o realizando un nuevo muestreo dentro de los conglomerados seleccionados (muestreo polietápico, muy habitual en grandes encuestas oficiales, como seleccionar primero municipios, después secciones censales dentro de ellos y finalmente viviendas dentro de cada sección). Se diferencia conceptualmente del muestreo estratificado en un aspecto esencial, con frecuencia motivo de confusión: en el muestreo estratificado se busca que los estratos sean internamente lo más homogéneos posible y se muestrea dentro de todos ellos, mientras que en el muestreo por conglomerados se busca que cada conglomerado sea internamente heterogéneo (una réplica en miniatura de la población) y solo se estudia una selección de conglomerados, no todos. Su principal ventaja es de tipo práctico y económico: permite concentrar geográficamente el trabajo de campo, reduciendo drásticamente los costes y el tiempo de recogida de datos en poblaciones muy dispersas territorialmente; su principal inconveniente es que, si los conglomerados no son suficientemente heterogéneos internamente, el error de muestreo resultante es mayor que el de un muestreo aleatorio simple del mismo tamaño total.

Muestreo no probabilístico: por cuotas y de conveniencia

Frente a los muestreos probabilísticos descritos anteriormente, en los que cada elemento de la población tiene una probabilidad conocida y no nula de ser seleccionado, existen procedimientos de muestreo no probabilístico en los que dicha probabilidad no puede determinarse, lo que impide aplicar con rigor la teoría de la probabilidad para calcular el error de muestreo o construir intervalos de confianza formales. El muestreo por cuotas fija de antemano el número de individuos a entrevistar en cada categoría de una o varias variables de control (por ejemplo, un número determinado de hombres y mujeres de cada tramo de edad), replicando la estructura poblacional conocida, pero deja a criterio del encuestador la selección concreta de los individuos que cumplen cada cuota, lo que introduce un elemento subjetivo de selección. El muestreo de conveniencia selecciona a los individuos simplemente por su accesibilidad o disponibilidad inmediata para el investigador (por ejemplo, encuestar a los primeros transeúntes que pasan por una calle, o a los estudiantes de la propia clase del investigador), sin ningún criterio de aleatoriedad ni de representación proporcional. Estos métodos son más rápidos, económicos y sencillos de aplicar que el muestreo probabilístico, por lo que se emplean con frecuencia en estudios exploratorios o pilotos, pero sus resultados no pueden generalizarse con una fiabilidad estadística cuantificable a la población total, y deben interpretarse siempre con la debida cautela metodológica.

Marco muestral

El marco muestral es el listado, registro o soporte físico o digital que identifica de manera completa y sin duplicados a todos los elementos de la población accesible, y a partir del cual se lleva a cabo materialmente la selección de la muestra mediante el procedimiento de muestreo elegido; ejemplos habituales son el padrón municipal de habitantes, el listado de números de teléfono de una operadora, la nómina de empleados de una empresa o el censo electoral. La calidad del marco muestral condiciona directamente la calidad de toda la inferencia posterior, con independencia de lo sofisticado que sea el diseño muestral aplicado sobre él: si el marco muestral está desactualizado, incompleto, o excluye sistemáticamente a determinados colectivos de la población objetivo, la muestra resultante heredará ese sesgo de cobertura, por perfecto que sea el algoritmo de selección aleatoria empleado a partir de él. Un ejemplo de sesgo de cobertura es el de las encuestas telefónicas tradicionales, que excluían sistemáticamente a los hogares sin teléfono fijo, sobrerrepresentando así a la población de mayor renta en determinados periodos históricos. Por ello, la elección o construcción de un marco muestral adecuado, lo más completo y actualizado posible respecto a la población objetivo del estudio, constituye una de las decisiones metodológicas más determinantes —y a menudo más descuidadas— de todo el proceso de investigación por muestreo.

Error de muestreo

El error de muestreo es la diferencia, inevitable y de naturaleza aleatoria, entre el valor de un estadístico calculado sobre una muestra concreta y el valor del parámetro poblacional correspondiente, diferencia que surge exclusivamente por el hecho de estudiar solo una parte de la población y no su totalidad, incluso cuando el muestreo se ha realizado con un procedimiento probabilístico perfectamente correcto y sin ningún sesgo sistemático. A diferencia del sesgo de muestreo, que es un error sistemático y no se reduce al aumentar el tamaño de la muestra, el error de muestreo es de carácter aleatorio y disminuye, en general, al aumentar el tamaño muestral n, siendo matemáticamente proporcional a 1/√n para la mayoría de los estimadores clásicos (por lo que, para reducir el error de muestreo a la mitad, es necesario cuadruplicar el tamaño de la muestra). El error de muestreo es precisamente la magnitud que se cuantifica y se controla mediante la construcción de intervalos de confianza (el margen de error E que se suma y se resta a la estimación puntual) y es la base matemática para calcular, de forma inversa, el tamaño muestral necesario para garantizar una precisión determinada en la estimación de un parámetro. Es importante subrayar frente al alumnado que el error de muestreo nunca puede eliminarse por completo mientras no se estudie la población entera, pero sí puede acotarse y cuantificarse con precisión mediante herramientas probabilísticas.

Nivel de confianza

El nivel de confianza, habitualmente denotado como (1-α)·100 % y fijado convencionalmente en el 90 %, el 95 % o el 99 %, es la probabilidad, prefijada por el investigador antes de realizar el muestreo, de que el procedimiento empleado para construir un intervalo de confianza produzca efectivamente un intervalo que contenga al verdadero valor del parámetro poblacional. Su interpretación correcta exige precaución didáctica, pues es fuente de un error conceptual extendido: un intervalo de confianza del 95 % no significa que exista un 95 % de probabilidad de que el parámetro (fijo, aunque desconocido) se encuentre dentro del intervalo numérico concreto ya calculado a partir de una muestra particular, sino que, si se repitiera el proceso de muestreo un número muy grande de veces y se construyera en cada ocasión un intervalo de confianza según el mismo procedimiento, aproximadamente el 95 % de esos intervalos contendrían el verdadero valor del parámetro. El nivel de confianza está directamente relacionado con la amplitud del intervalo resultante: a mayor nivel de confianza exigido, mayor debe ser la amplitud del intervalo para un mismo tamaño muestral, ya que se necesita un margen más amplio para garantizar una mayor probabilidad de acierto; existe, por tanto, una tensión entre precisión (intervalo estrecho) y confianza (probabilidad alta de acierto) que solo puede resolverse simultáneamente aumentando el tamaño de la muestra.

Cálculo del tamaño muestral para estimar una proporción

El tamaño muestral necesario para estimar una proporción poblacional p con un margen de error máximo E y un nivel de confianza (1-α)·100 % se obtiene despejando n de la expresión del margen de error del intervalo de confianza para una proporción, E = z_(α/2)·√(p·(1-p)/n), lo que conduce a la fórmula n = (z_(α/2))²·p·(1-p)/E², donde z_(α/2) es el valor crítico de la distribución normal estándar asociado al nivel de confianza elegido (por ejemplo, z = 1,96 para el 95 % de confianza). Como el valor de p es, precisamente, el parámetro desconocido que se pretende estimar, en la práctica se emplea una estimación previa de p obtenida de un estudio piloto o de investigaciones anteriores sobre el mismo fenómeno; cuando no se dispone de ninguna información previa, se adopta por convención el valor más desfavorable p = 0,5, ya que el producto p·(1-p) alcanza su valor máximo precisamente en ese punto, lo que garantiza un tamaño muestral suficiente independientemente del valor real de p. La fórmula muestra con claridad que el tamaño muestral necesario crece con el cuadrado del valor crítico z_(α/2) (y, por tanto, con el nivel de confianza exigido) y es inversamente proporcional al cuadrado del margen de error admitido, de modo que reducir a la mitad el margen de error tolerado exige cuadruplicar el tamaño de la muestra, relación que resulta especialmente relevante para justificar, en el diseño de encuestas reales, el compromiso entre precisión estadística y coste del estudio.

Cálculo del tamaño muestral para estimar una media

El tamaño muestral necesario para estimar la media poblacional μ de una variable cuantitativa con un margen de error máximo E y un nivel de confianza (1-α)·100 % se deduce de forma análoga al caso de la proporción, a partir de la expresión del margen de error del intervalo de confianza para la media, E = z_(α/2)·σ/√n, despejando n para obtener n = (z_(α/2))²·σ²/E², donde σ es la desviación típica poblacional de la variable estudiada. La dificultad práctica de esta fórmula reside en que σ, al igual que ocurría con p en el caso de la proporción, es en general desconocida antes de realizar el estudio, por lo que suele sustituirse por una estimación obtenida de un estudio piloto previo, de la desviación típica observada en investigaciones anteriores similares, o mediante una aproximación basada en el rango esperado de la variable dividido entre cuatro (regla práctica que aproxima σ suponiendo una distribución aproximadamente normal). Cuando el tamaño muestral n resultante no es despreciable frente al tamaño de la población N (convencionalmente, cuando n supera el 5-10 % de N), conviene aplicar el factor de corrección para población finita, √((N-n)/(N-1)), que reduce el error típico del estimador; despejando, el tamaño muestral corregido es n' = n₀/(1+(n₀-1)/N), donde n₀ es el tamaño calculado para población infinita. El resultado es menor que n₀, reflejando que, a igualdad de error, una población pequeña exige proporcionalmente menos muestra.

Relación entre tamaño muestral, confianza y margen de error

El tamaño muestral n, el nivel de confianza (1-α)·100 % y el margen de error E son tres magnitudes interrelacionadas mediante las fórmulas del intervalo de confianza, de modo que, fijadas dos de ellas, la tercera queda automáticamente determinada, y no es posible mejorar simultáneamente todas ellas sin actuar sobre el tamaño de la muestra. Concretamente, para un tamaño muestral n fijo, exigir un mayor nivel de confianza obliga a aceptar un margen de error más amplio (menos precisión), y a la inversa, exigir un margen de error más estrecho (más precisión) obliga a aceptar un menor nivel de confianza; la única forma de reducir el margen de error sin sacrificar el nivel de confianza —o de aumentar la confianza sin ampliar el margen de error— es incrementar el tamaño de la muestra n. Dado que en las fórmulas de cálculo del tamaño muestral n aparece en el denominador dentro de una raíz cuadrada, la relación entre precisión y tamaño muestral no es lineal sino de raíz cuadrada inversa: para duplicar la precisión (reducir el margen de error a la mitad) es necesario cuadruplicar el tamaño de la muestra, y para triplicarla, multiplicar el tamaño muestral por nueve. Esta relación de rendimientos decrecientes explica por qué, a partir de cierto tamaño muestral, seguir aumentando el número de encuestados aporta mejoras de precisión cada vez más modestas en relación con el coste adicional que supone, consideración práctica relevante en el diseño real de estudios y encuestas.

Distribución muestral de la media

La distribución muestral de la media es la distribución de probabilidad que sigue la variable aleatoria media muestral X̄, entendida como el conjunto de todos los valores que podría tomar dicha media al considerar todas las muestras posibles de tamaño n que pueden extraerse de una población dada. Si la población de partida sigue una distribución normal de media μ y desviación típica σ, puede demostrarse que la media muestral X̄ sigue exactamente una distribución normal de media μ (el mismo valor que la media poblacional, lo que confirma que X̄ es un estimador insesgado de μ) y desviación típica σ/√n (menor que la de la población original, y decreciente al aumentar el tamaño de la muestra, lo que refleja que las medias muestrales varían menos entre sí que las observaciones individuales). Cuando la población de partida no sigue una distribución normal, el teorema central del límite garantiza que, para tamaños muestrales suficientemente grandes (en la práctica, n ≥ 30 se considera habitualmente suficiente), la distribución de X̄ se aproxima igualmente a una distribución normal con esos mismos parámetros, con independencia de la forma de la distribución poblacional original. Este resultado es la piedra angular matemática que permite construir intervalos de confianza y contrastes de hipótesis sobre la media poblacional utilizando exclusivamente los valores tabulados de la distribución normal estándar, y se desarrolla con mayor extensión en los temas de distribuciones de probabilidad e inferencia estadística.

Sesgos habituales: autoselección y no respuesta

El sesgo de autoselección se produce cuando los individuos de la muestra no son elegidos de forma aleatoria por el investigador, sino que son ellos mismos quienes deciden voluntariamente participar en el estudio, lo que hace que la muestra tienda a sobrerrepresentar a las personas con opiniones más extremas, mayor motivación o mayor interés por el tema tratado, en detrimento de la opinión media o de quienes se sienten indiferentes; un ejemplo típico son las encuestas de opinión difundidas por redes sociales o las votaciones telefónicas de programas de televisión, cuyos resultados no pueden extrapolarse legítimamente a la población general. El sesgo de no respuesta se produce cuando, dentro de una muestra correctamente seleccionada de forma aleatoria, una parte significativa y no aleatoria de los individuos seleccionados no llega a participar finalmente en el estudio (rechazan la encuesta, no se les localiza, abandonan un estudio longitudinal antes de su finalización), de modo que quienes sí responden pueden diferir sistemáticamente de quienes no lo hacen en la variable objeto de estudio; por ejemplo, en encuestas económicas, las personas con rentas muy altas o muy bajas tienden a presentar tasas de no respuesta más elevadas que las de renta media. Ambos sesgos comparten la característica de no corregirse aumentando el tamaño de la muestra, y exigen estrategias metodológicas específicas —incentivos a la participación, seguimiento de no respondientes, ponderación estadística posterior— para minimizar su impacto sobre la representatividad del estudio.

El caso histórico del sesgo de muestreo del Literary Digest (1936)

El caso de la revista estadounidense Literary Digest en las elecciones presidenciales de 1936 constituye el ejemplo histórico de referencia obligada para ilustrar las consecuencias prácticas de un sesgo de muestreo grave, pese a emplear un tamaño muestral aparentemente muy elevado. La revista envió más de diez millones de encuestas postales, de las que recibió respuesta de unos 2,4 millones de personas, y pronosticó con rotundidad la victoria del candidato republicano Alf Landon frente al presidente demócrata Franklin D. Roosevelt; el resultado real de las elecciones fue justamente el contrario, con una victoria aplastante de Roosevelt. El error se debió a un doble sesgo de muestreo: por un lado, un sesgo de cobertura del marco muestral, ya que las direcciones se obtuvieron de listines telefónicos, registros de automóviles y de suscriptores de la propia revista, medios que en plena Gran Depresión sobrerrepresentaban sistemáticamente a la población de mayor renta, más proclive a votar al partido republicano; por otro lado, un sesgo de autoselección, ya que solo respondió una fracción reducida y no aleatoria de los encuestados. Ese mismo año, George Gallup predijo correctamente el resultado electoral empleando una muestra mucho más reducida (decenas de miles de personas, frente a los millones del Literary Digest), pero seleccionada con un diseño por cuotas que reproducía la estructura de la población, lo lo que popularizó el principio de que la calidad y el diseño del muestreo prevalecen sobre el mero tamaño de la muestra, y marcó el nacimiento de las modernas encuestas de opinión basadas en el muestreo científico.

Diferencia entre censo y encuesta por muestreo

El censo consiste en la recogida de información sobre absolutamente todos los elementos de una población, sin excepción, mientras que la encuesta por muestreo recoge información únicamente de un subconjunto de dicha población, seleccionado mediante un procedimiento de muestreo, e infiere a partir de él las características del conjunto total. El censo tiene la ventaja teórica de eliminar por completo el error de muestreo, ya que no existe generalización alguna: los datos obtenidos son exactamente los de la población, sin necesidad de ningún modelo probabilístico; sin embargo, presenta importantes inconvenientes prácticos, como su elevadísimo coste económico y temporal, la dificultad de mantener actualizada la información en poblaciones muy dinámicas, y un mayor riesgo de errores no muestrales (de registro, de cobertura incompleta pese al intento de exhaustividad, o de falta de respuesta) precisamente por la enorme magnitud del operativo necesario para abarcar a toda la población. La encuesta por muestreo, aunque introduce inevitablemente un error de muestreo cuantificable, resulta considerablemente más rápida, económica y, paradójicamente, en ocasiones más precisa que un censo mal ejecutado, ya que permite concentrar mayores recursos de control de calidad y supervisión sobre un número más reducido de casos. En la práctica administrativa española, el Censo de Población y Viviendas se elabora cada diez años (años terminados en 1), pero desde 2011 ya no se basa en un recuento exhaustivo mediante cuestionarios a todos los hogares, sino en la explotación de registros administrativos (como el Padrón municipal) completada con encuestas por muestreo; entre censos se recurre además a encuestas continuas, como la Encuesta de Población Activa.

Ejemplos resueltos de cálculo de tamaño muestral

Proporción, sin información previa (p=0,5), confianza del 95 % (z=1,96) y margen de error E=0,03: n = 1,96²·0,25/0,03² = 1067,1, que se redondea siempre al alza a 1068. Con E=0,05 resulta n=384,16, es decir, 385. Con una confianza del 99 % (z≈2,576) y E=0,03, n≈1843,3, es decir, 1844. Media, con σ=10, E=2 y confianza del 95 %: n = (1,96·10/2)² = 96,04, es decir, 97. Corrección para población finita: si n₀=385 y N=1000, n' = 385/(1+384/1000) ≈ 278,2, es decir, 279. Margen de error recíproco: con n=1000, p=0,5 y confianza del 95 %, E = 1,96·√(0,25/1000) ≈ 0,031 (±3,1 %). Valores críticos a recordar: z=1,645 (90 %), 1,96 (95 %) y 2,576 (99 %). Nota: se redondea siempre hacia arriba, porque redondear al entero más próximo puede dejar el margen de error por encima del fijado.

Distribución muestral de la proporción y distribución t

Para una proporción poblacional p, la proporción muestral p̂ tiene media p y error típico √(p(1-p)/n); para n suficientemente grande (condición habitual np≥5 y n(1-p)≥5, o 10 en textos más exigentes) su distribución es aproximadamente normal N(p, √(p(1-p)/n)). Si la población es normal pero se desconoce σ y se usa la cuasidesviación típica s, el estadístico (X̄-μ)/(s/√n) sigue una distribución t de Student con n-1 grados de libertad, de colas más pesadas que la normal; para n grande, la t se aproxima a la normal. El error típico de la media es σ/√n; el margen de error es el valor crítico por el error típico. Se recomienda no confundir desviación típica de la población (σ), de la muestra (s) y error típico de la media (σ/√n).

Errores no muestrales y otros tipos de muestreo no probabilístico

Además del error de muestreo existen errores no muestrales, que se dan también en un censo: errores de cobertura (marco incompleto o con duplicados), de medida (preguntas mal formuladas, respuestas falsas por deseabilidad social, errores de registro), de procesamiento y de no respuesta. Entre los diseños no probabilísticos, además de cuotas y conveniencia, se encuentran el muestreo intencional o por juicio (el investigador elige los casos que considera típicos), el muestreo voluntario (autoselección) y el muestreo de bola de nieve (cada participante recluta a otros, útil con poblaciones de difícil acceso). Frente a ellos, los diseños probabilísticos permiten calcular errores de muestreo. La ponderación posterior (dar más peso a grupos infrarrepresentados) puede reducir sesgos de cobertura o no respuesta, pero exige conocer la estructura de la población y no los elimina del todo.

Afijación en el muestreo estratificado y otras variantes

En el muestreo estratificado con L estratos de tamaños N_h, la afijación proporcional asigna n_h = n·N_h/N. La afijación óptima o de Neyman asigna n_h proporcional a N_h·σ_h, es decir, más muestra a los estratos mayores y más variables (si el coste por elemento varía entre estratos, se tiene en cuenta también). La afijación uniforme asigna el mismo n_h a todos los estratos, útil cuando se desean estimaciones comparables de cada estrato. Otras variantes son el muestreo polietápico (varias etapas de selección, como municipios, secciones y viviendas), el muestreo con probabilidades proporcionales al tamaño (los conglomerados grandes tienen más probabilidad de selección) y el muestreo sistemático con inicio aleatorio. El efecto de diseño (cociente entre la varianza del estimador bajo el diseño y bajo MAS del mismo tamaño) mide la pérdida o ganancia de precisión respecto al MAS: suele ser mayor que 1 en conglomerados y menor que 1 en estratificados bien diseñados.

Didáctica del muestreo en secundaria

En el aula, el muestreo se trabaja con simulaciones: extraer repetidamente muestras de una población artificial (bolas en una urna, datos del propio grupo) con hoja de cálculo o GeoGebra y observar cómo varía la proporción o la media muestral, comprobando que la variabilidad disminuye al aumentar n y que una muestra sesgada no se corrige con más tamaño. El currículo vigente (Reales Decretos 217/2022 y 243/2022) incluye en el sentido estocástico la selección de muestras representativas y la valoración de sesgos. Es útil comparar muestras de voluntarios con muestras aleatorias, calcular el error de estimación con intervalos de confianza y analizar encuestas publicadas en prensa para identificar su ficha técnica (universo, tamaño, método, margen de error, nivel de confianza, fecha del trabajo de campo).

Ideas clave para el examen — memoriza esto

  • Población objetivo (sobre la que se concluye) frente a población accesible/marco muestral (de donde realmente se extrae la muestra): pueden no coincidir, y ahí nace el sesgo de cobertura.
  • Parámetro (griego, poblacional, fijo y desconocido) frente a estadístico/estimador (latino, muestral, variable aleatoria).
  • Representatividad depende del diseño del muestreo, no principalmente del tamaño de la muestra.
  • Sesgo de muestreo: error sistemático, no se corrige aumentando n. Error de muestreo: aleatorio, decrece con 1/√n.
  • Muestreo aleatorio simple: todos los subconjuntos de tamaño n tienen igual probabilidad; requiere marco muestral completo y numerado.
  • Muestreo sistemático: selección cada k-ésimo elemento (k=N/n); riesgo si el listado tiene periodicidad oculta coincidente con k.
  • Muestreo estratificado: estratos internamente homogéneos, se muestrea dentro de TODOS ellos (afijación proporcional/uniforme/óptima).
  • Muestreo por conglomerados: conglomerados internamente heterogéneos, se seleccionan SOLO ALGUNOS enteros; ventaja económica en poblaciones dispersas.
  • Muestreo por cuotas y de conveniencia: no probabilísticos, no permiten calcular formalmente el error de muestreo.
  • El caso Literary Digest (1936) frente a Gallup: un tamaño muestral enorme (10 millones) no compensa un mal diseño muestral frente a una muestra mucho menor seleccionada con criterios de representatividad (Gallup).
  • Tamaño muestral para proporción: n = z²·p·(1-p)/E²; si no hay estimación previa de p, se usa p=0,5 (caso más desfavorable, maximiza p(1-p)).
  • Tamaño muestral para media: n = z²·σ²/E²; σ desconocida se estima con estudio piloto o rango/4.
  • Relación de raíz cuadrada inversa: para reducir el margen de error a la mitad hay que cuadruplicar n (rendimientos decrecientes).
  • Nivel de confianza del 95% NO significa 95% de probabilidad de que el parámetro esté en ESE intervalo concreto, sino que el 95% de los intervalos construidos con ese método contendrían el parámetro a largo plazo.
  • Distribución muestral de la media: N(μ, σ/√n) exacta si la población es normal, aproximada por el TCL si n≥30 para cualquier población.
  • Sesgo de autoselección (participan los más motivados) y sesgo de no respuesta (los que responden difieren de los que no) no se corrigen con muestras más grandes.
  • Censo: sin error de muestreo pero costoso y con más riesgo de errores no muestrales; encuesta por muestreo: error de muestreo cuantificable pero más ágil y controlable.
  • El marco muestral incompleto o desactualizado es la causa más habitual y menos visible de sesgo en estudios reales.
  • Los redondeos del tamaño muestral son siempre al alza (p=0,5, 95 %, E=3 % -> 1068; E=5 % -> 385; 99 %, E=3 % -> 1844).
  • Valores críticos: z=1,645 (90 %), 1,96 (95 %), 2,576 (99 %).
  • Corrección para población finita: n' = n₀/(1+(n₀-1)/N); no confundir con el factor √((N-n)/(N-1)) que corrige el error típico.
  • El tamaño muestral es proporcional a z² y a 1/E²; NO es proporcional al nivel de confianza (error frecuente de formulación).
  • Afijación proporcional n_h=n·N_h/N; óptima (Neyman) n_h proporcional a N_h·σ_h; uniforme: igual n_h.
  • Con σ desconocida y población normal se usa t de Student con n-1 grados de libertad; proporción muestral aproximadamente normal si np≥5 y n(1-p)≥5.
  • Desde 2011 el Censo de Población y Viviendas del INE se elabora a partir de registros administrativos y encuestas, no con un recuento exhaustivo.
  • Errores no muestrales (cobertura, medida, no respuesta) existen también en un censo y no disminuyen con n.
Ver el esquema con tus propios subrayados →

Ponte a prueba

12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.

Pregunta 1 de 120 aciertos

En la afijación proporcional de un muestreo estratificado, el tamaño de la muestra en el estrato h es:

Preguntas frecuentes

¿De qué trata el Tema 58 de Secundaria?

Este tema desarrolla en profundidad la metodología del muestreo, apenas enunciada en el tema 57, y constituye el eslabón que conecta la estadística descriptiva con la inferencial: sin un muestreo bien diseñado, ninguna generalización posterior a la población es matemáticamente legítima. Es un tema de fuerte componente procedimental y muy conectado con la práctica profesional (encuestas, estudios de mercado, ensayos clínicos), por lo que suele plantearse en el examen con supuestos prácticos de diseño de un estudio o de cálculo del tamaño muestral necesario, además de la parte puramente teórica sobre los tipos de muestreo probabilístico y no probabilístico.

¿Qué hay que memorizar del Tema 58 para el examen?

Población objetivo (sobre la que se concluye) frente a población accesible/marco muestral (de donde realmente se extrae la muestra): pueden no coincidir, y ahí nace el sesgo de cobertura. Parámetro (griego, poblacional, fijo y desconocido) frente a estadístico/estimador (latino, muestral, variable aleatoria). Representatividad depende del diseño del muestreo, no principalmente del tamaño de la muestra. Sesgo de muestreo: error sistemático, no se corrige aumentando n. Error de muestreo: aleatorio, decrece con 1/√n. Muestreo aleatorio simple: todos los subconjuntos de tamaño n tienen igual probabilidad; requiere marco muestral completo y numerado. Muestreo sistemático: selección cada k-ésimo elemento (k=N/n); riesgo si el listado tiene periodicidad oculta coincidente con k. Muestreo estratificado: estratos internamente homogéneos, se muestrea dentro de TODOS ellos (afijación proporcional/uniforme/óptima). Muestreo por conglomerados: conglomerados internamente heterogéneos, se seleccionan SOLO ALGUNOS enteros; ventaja económica en poblaciones dispersas. Muestreo por cuotas y de conveniencia: no probabilísticos, no permiten calcular formalmente el error de muestreo. El caso Literary Digest (1936) frente a Gallup: un tamaño muestral enorme (10 millones) no compensa un mal diseño muestral frente a una muestra mucho menor seleccionada con criterios de representatividad (Gallup). Tamaño muestral para proporción: n = z²·p·(1-p)/E²; si no hay estimación previa de p, se usa p=0,5 (caso más desfavorable, maximiza p(1-p)). Tamaño muestral para media: n = z²·σ²/E²; σ desconocida se estima con estudio piloto o rango/4. Relación de raíz cuadrada inversa: para reducir el margen de error a la mitad hay que cuadruplicar n (rendimientos decrecientes). Nivel de confianza del 95% NO significa 95% de probabilidad de que el parámetro esté en ESE intervalo concreto, sino que el 95% de los intervalos construidos con ese método contendrían el parámetro a largo plazo. Distribución muestral de la media: N(μ, σ/√n) exacta si la población es normal, aproximada por el TCL si n≥30 para cualquier población. Sesgo de autoselección (participan los más motivados) y sesgo de no respuesta (los que responden difieren de los que no) no se corrigen con muestras más grandes. Censo: sin error de muestreo pero costoso y con más riesgo de errores no muestrales; encuesta por muestreo: error de muestreo cuantificable pero más ágil y controlable. El marco muestral incompleto o desactualizado es la causa más habitual y menos visible de sesgo en estudios reales. Los redondeos del tamaño muestral son siempre al alza (p=0,5, 95 %, E=3 % -> 1068; E=5 % -> 385; 99 %, E=3 % -> 1844). Valores críticos: z=1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Corrección para población finita: n' = n₀/(1+(n₀-1)/N); no confundir con el factor √((N-n)/(N-1)) que corrige el error típico. El tamaño muestral es proporcional a z² y a 1/E²; NO es proporcional al nivel de confianza (error frecuente de formulación). Afijación proporcional n_h=n·N_h/N; óptima (Neyman) n_h proporcional a N_h·σ_h; uniforme: igual n_h. Con σ desconocida y población normal se usa t de Student con n-1 grados de libertad; proporción muestral aproximadamente normal si np≥5 y n(1-p)≥5. Desde 2011 el Censo de Población y Viviendas del INE se elabora a partir de registros administrativos y encuestas, no con un recuento exhaustivo. Errores no muestrales (cobertura, medida, no respuesta) existen también en un censo y no disminuyen con n.

¿Hay preguntas de test de este tema exacto?

Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.

¿De dónde sale el temario de este tema?

Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).

Fuentes de este desarrollo

  • Cochran, W. G. (1977). Sampling Techniques (3.ª ed.). Wiley.
  • Peña, D. (2002). Fundamentos de Estadística. Alianza Editorial.
  • Ley 12/1989, de 9 de mayo, de la Función Estadística Pública.
  • Real Decreto 217/2022, de 29 de marzo, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Secundaria Obligatoria.
  • Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato.
  • Instituto Nacional de Estadística (INE): metodología del Censo de Población y Viviendas y de la Encuesta de Población Activa.

Mientras tanto, practica con tests gratis de Secundaria.

Empieza gratis ahora