UNIVERSIDAD NACIONAL DE PIURA

“AÑO DE LA RECUPERACIÓN Y CONSOLIDACIÓN DE LA

ECONOMÍA PERUANA”

FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA

CURSO:
Muestreo Estadístico

TEMA:
Muestreo Probabilístico y No Probabilístico

DOCENTE:
Mg. Raúl Yajahuanca Huancas

CICLO:
2025 – I

ESTUDIANTE:
Córdova Siancas Evelyn Karolina

PIURA-PERÚ
2025
 ÍNDICE

I. INTRODUCCIÓN……………………...………………………………………3

II. MUESTREO NO PROBABILÍSTICO……………………………………….4

2.1 Muestreo Por conveniencia………………………………………………….5
2.2 Muestreo Por Juicio…………….……………………………………………6
2.3 Muestreo Por cuotas…………………………………………………………6
2.4 Muestreo Por bola de nieve………………………………………………….7

III. MUESTREO PROBABILÍSTICO……………………………………………9

3.1 Muestreo Aleatorio Simple…………………………………..…………….9

3.1.1 40 ejercicios……………………………………………………16
3.1.2 Encuesta sobre candidatos a rector, UNP……………………...30

3.2 Muestreo Sistemático……………………………………………………..38

3.3 Muestreo Estratificado………...…………………………………………47

3.3.1 Trabajo Practico N°1…………………………………………...56
3.3.2 Trabajo Practico N°2…………………………………………...58
3.3.3 Trabajo Practico N°3…………………………………………...59
3.3.4 Trabajo Practico N°4……...……………………………………60
3.3.5 Trabajo Practico N°5……………...……………………………61

3.4 Muestreo Conglomerado…………………………………………………68

IV. CONCLUSIONES…………………………………………………………….78

V. ANEXOS………………………………………………………………………80
 I. INTRODUCCIÓN

El presente trabajo final tiene como objetivo reunir y organizar todos los productos
académicos realizados a lo largo del curso de Muestreo Estadístico. Al agrupar estos
contenidos, se busca mostrar tanto el conocimiento teórico como la experiencia práctica
adquirida en la aplicación de distintos tipos de muestreo probabilístico, a través de ejercicios,
tareas en clase y encuestas reales.

El contenido del trabajo se estructura por cada uno de los tipos de muestreo probabilístico
estudiados en clase: muestreo aleatorio simple, muestreo sistemático, muestreo estratificado
y muestreo por conglomerados. En cada apartado se presenta, primero, los fundamentos
teóricos del método, seguido de ejercicios desarrollados en clase o trabajos aplicados que
corresponden al tipo de muestreo señalado.

El muestreo aleatorio simple, por ejemplo, se complementa con un ejercicio práctico de clase
y un trabajo de encuesta que aplicó este método. En el caso del muestreo sistemático y por
conglomerados, se describen sus características y se añade una actividad o aplicación que
permita observar su funcionamiento. Por su parte, el muestreo estratificado incluye una
explicación conceptual acompañada de tres ejercicios realizados en clase y un trabajo de
encuesta desarrollado con esta técnica.

En conjunto, este documento refleja el proceso de formación que se ha llevado a lo largo del
ciclo, destacando tanto el dominio conceptual como el desarrollo de habilidades clave: la
planificación de muestras, la organización del trabajo de campo, la recolección y el análisis
de datos, y la interpretación estadística con criterios técnicos. Todo ello constituye una base
fundamental para futuras investigaciones y para el uso responsable y eficaz de la estadística
en contextos académicos y profesionales.
 II. MUESTREO NO PROBABILÍSTICO

El muestreo no probabilístico es una técnica de selección de muestras en la que no todos los

elementos de la población tienen la misma probabilidad de ser elegidos. Esto significa que la
elección de los participantes no se basa en mecanismos de azar, sino en criterios determinados
por el investigador, tales como la accesibilidad, el conocimiento previo, el interés específico,
o el juicio experto. En otras palabras, la muestra se forma de manera intencionada o arbitraria,
según lo que el investigador considere más adecuado para los fines del estudio.

Este tipo de muestreo es comúnmente utilizado en investigaciones cualitativas, exploratorias

o descriptivas, donde el objetivo no es necesariamente hacer generalizaciones estadísticas
sobre toda una población, sino comprender a profundidad fenómenos específicos, identificar
patrones, generar hipótesis o desarrollar teoría. En estos contextos, la representatividad
estadística pasa a un segundo plano, y se valora más la riqueza y relevancia del contenido
que pueden aportar los casos seleccionados.

El muestreo no probabilístico es especialmente útil cuando:

• No se dispone de un marco muestral completo o actualizado.

• Se estudian poblaciones pequeñas, invisibles o difíciles de localizar (por ejemplo,

personas en situación de calle, minorías culturales, enfermos crónicos).

• El tiempo o los recursos del investigador son limitados.

• El estudio busca teorizar desde los datos (como en investigaciones de enfoque

inductivo).

Sin embargo, una de sus principales limitaciones es que los resultados no pueden ser
extrapolados estadísticamente a toda la población, debido a la ausencia de aleatoriedad. Esto
incrementa el riesgo de sesgo muestral, es decir, de obtener una muestra que no sea
representativa y cuyos resultados no sean generalizables. Por eso, aunque el muestreo no
probabilístico puede proporcionar información muy valiosa, es necesario interpretar sus
hallazgos con cautela.
En síntesis, este tipo de muestreo pone énfasis en la pertinencia, accesibilidad y utilidad de
los casos seleccionados, más que en la representatividad cuantitativa, y es una herramienta
esencial en investigaciones centradas en el significado, la experiencia y el contexto.

2.1 Muestreo por conveniencia:

Consiste en seleccionar unidades muestrales que estén más fácilmente disponibles o

accesibles para el investigador en el momento de recolectar los datos. Este tipo de muestreo
no sigue ningún criterio sistemático ni probabilístico, sino que responde a la practicidad y a
las limitaciones del contexto (tiempo, presupuesto, acceso). Se utiliza con frecuencia en
estudios exploratorios o piloto, donde la intención es obtener resultados preliminares o ajustar
instrumentos. Aunque es fácil de aplicar, se reconoce que puede presentar altos niveles de
sesgo y baja representatividad.

Ejemplo:

• Encuestar a personas que se encuentran caminando por un parque porque están

disponibles en ese momento.
• Entrevistar a estudiantes en una universidad donde el investigador trabaja.

Ventajas:

• Rápido y fácil de aplicar.

• Requiere pocos recursos económicos y logísticos.
• Útil para estudios piloto o exploratorios.

Desventajas:

• Riesgo elevado de sesgo muestral.

• Baja representatividad de la población general.
• Resultados difíciles de generalizar.
 2.2 Muestreo Por Juicio

Implica que el investigador seleccione deliberadamente a los participantes que, según su

criterio, poseen las características más adecuadas para aportar información significativa al
estudio. No se busca representar a toda la población, sino obtener profund idad analítica a
través de casos que, por su experiencia, conocimientos o posición, puedan proporcionar datos
relevantes. Este método se fundamenta en el conocimiento previo del investigador sobre el
fenómeno estudiado y es ampliamente utilizado en estudios cualitativos, análisis de casos o
evaluaciones sociales específicas.

Ejemplo:

• Elegir a docentes con más de 20 años de experiencia para una investigación sobre
vocación educativa.
• Seleccionar a líderes comunitarios para conocer el impacto de programas sociales en
zonas rurales.

Ventajas:

• Permite seleccionar informantes clave con gran conocimiento del tema.

• Útil en estudios especializados o cualitativos.
• Aumenta la profundidad del análisis.

Desventajas:

• Subjetividad en la elección de los participantes.

• Puede haber sesgos según el criterio del investigador.
• Resultados no replicables fácilmente.

2.3 Muestreo Por Cuotas:

Se basa en dividir la población en categorías o subgrupos (cuotas) de acuerdo con variables

relevantes como sexo, edad, nivel educativo, entre otros. Luego se determina cuántos sujetos
deben seleccionarse de cada cuota en proporción a la población total, pero sin aplicar
aleatoriedad en la elección. Se elige a los participantes por conveniencia hasta completar cada
cuota. Es común en encuestas de mercado, campañas publicitarias y estudios descriptivos
con presión de tiempo.

Ejemplo:

• Dividir la muestra en 60% mujeres y 40% hombres, y luego elegir participantes

disponibles hasta cumplir esas proporciones.
• Entrevistar a 20 personas de cada grupo etario (jóvenes, adultos, adultos mayores),
seleccionándolos en la calle.

Ventajas:
• Asegura variedad según características clave de la población.
• Mejora la cobertura de ciertos grupos sociales.
• Más representativo que otros muestreos no probabilísticos.

Desventajas:
• No hay aleatoriedad dentro de cada grupo.
• Posible sesgo por conveniencia dentro de cada cuota.
• Limitado valor inferencial.

2.4 Muestreo Por bola de nieve:

Se utiliza cuando la población objetivo es difícil de localizar, ya sea por su número reducido,
su carácter cerrado o su naturaleza sensible. El proceso inicia con unos pocos individuos
accesibles que cumplen los criterios del estudio (semillas), quienes luego refieren a otros
posibles participantes. Este encadenamiento continúa hasta alcanzar una muestra suficiente
o hasta que ya no se identifican nuevos contactos. La técnica aprovecha redes sociales o
vínculos personales y es común en investigaciones sobre grupos marginados, temas tabúes o
poblaciones ocultas.
Ejemplo:
• Iniciar una investigación con tres personas que usan drogas y pedirles que
recomienden a otras personas con la misma condición.
• Entrevistar a migrantes ilegales que luego refieren a conocidos en situación similar.

Ventajas:
• Ideal para poblaciones difíciles de identificar o marginales.
• Permite acceder a personas que no se encuentran en registros formales.
• Útil en estudios cualitativos o exploratorios.

Desventajas:
• Sesgo por homogeneidad: los participantes tienden a pertenecer a la misma red social.
• Dificultad para calcular el tamaño muestral ideal.
• Posible pérdida de diversidad en la muestra.
 III. MUESTREO PROBABILÍSTICO

El muestreo probabilístico es una estrategia de selección de unidades muestrales en la

que todos los elementos de la población tienen una probabilidad conocida y distinta de
cero de ser seleccionados. Este enfoque se basa en principios estadísticos rigurosos,
especialmente en la teoría de la probabilidad, y permite realizar inferencias válidas sobre
la población a partir de la muestra, siempre que se respeten los supuestos metodológicos.
Su principal objetivo es garantizar la representatividad de la muestra, de modo que los
resultados obtenidos puedan generalizarse con un margen de error y un nivel de confianza
previamente determinados.

El muestreo probabilístico requiere contar con un marco muestral completo, es decir, una
lista o registro de todos los elementos que componen la población objetivo. A través de
métodos aleatorios (como sorteos, números aleatorios o software estadístico), se
seleccionan los individuos o unidades a estudiar. Esto reduce el riesgo de sesgo muestral
y permite calcular el error estándar, los intervalos de confianza y otros indicadores
estadísticos clave.

Este tipo de muestreo es el más utilizado en investigaciones cuantitativas, encuestas de

opinión, estudios demográficos y análisis poblacionales a gran escala. Sin embargo, suele
requerir más recursos, tiempo y organización logística en comparación con el muestreo
no probabilístico. Aun así, su mayor fortaleza radica en la validez estadística de los
resultados, lo que lo convierte en la opción preferida cuando se busca precisión,
objetividad y generalización de los hallazgos.

3.1 MUESTREO ALEATORIO SIMPLE

Objetivos:

Objetivo general:
Analizar de manera detallada el muestreo aleatorio simple (M.A.S.) como técnica estadística
fundamental, explorando sus bases teóricas, supuestos, procedimientos de estimación, así
como sus aplicaciones prácticas en la obtención de parámetros poblacionales, con el fin de
valorar su utilidad en investigaciones cuantitativas.

Objetivos específicos:

• Definir con claridad el concepto de muestreo aleatorio simple, sus características,

supuestos y el contexto en el que resulta adecuado aplicarlo.
• Explicar el procedimiento para determinar el tamaño de muestra y estimar parámetros
como la media y la proporción poblacional.
• Aplicar ejercicios y pruebas estadísticas que permitan evaluar la validez de los
resultados derivados del M.A.S.
• Analizar críticamente las ventajas y limitaciones del M.A.S., así como su
comparación con otros tipos de muestreo probabilístico.

Definición y fundamentos:

El muestreo aleatorio simple es una técnica de muestreo probabilístico que consiste en

seleccionar una muestra de una población de tal forma que todos los elementos tengan la
misma probabilidad de ser elegidos. Esto significa que cada combinación posible de
individuos tiene también la misma probabilidad de formar parte de la muestra. Se considera
una de las formas más básicas y puras de muestreo, ya que no introduce sesgos durante el
proceso de selección y permite que los resultados obtenidos puedan generalizarse con mayor
precisión a la población total, siempre que se cumplan los supuestos adecuados.

Para que este tipo de muestreo sea válido, es necesario contar con un marco muestral
completo, es decir, una lista de todos los elementos que componen la población. A partir de
esa lista, la selección de los individuos se realiza mediante algún procedimiento aleatorio,
como sorteos, tablas de números aleatorios o programas informáticos especializados. La
aleatoriedad garantiza que la muestra obtenida no esté influenciada por juicios personales ni
patrones sistemáticos.
El muestreo aleatorio simple es ampliamente valorado por su simplicidad y por permitir el
uso de fórmulas estadísticas exactas para estimar parámetros poblacionales, como medias,
proporciones y errores estándar. Sin embargo, su aplicación puede volverse poco práctica
cuando la población es muy grande o se encuentra dispersa geográficamente, ya que obtener
una lista completa y acceder a todos los individuos puede resultar costoso o inviable.

En síntesis, el muestreo aleatorio simple es una herramienta fundamental en la estadística

inferencial, que permite obtener muestras representativas de manera objetiva y fiable. No
obstante, requiere condiciones específicas para su correcta aplicación, como el acceso total a
la población y mecanismos precisos de selección al azar.

Características:

• Igualdad de oportunidades: Todos los elementos de la población tienen la misma

probabilidad de ser seleccionados.
• Independencia: La selección de un elemento no afecta la probabilidad de seleccionar
a otro.
• Representatividad estadística: A mayor tamaño de muestra, mayor probabilidad de
representar adecuadamente a la población.
• Aplicación con o sin reemplazo: Aunque lo más común es aplicarlo sin reemplazo.
• Necesidad de marco muestral: Se requiere un listado completo y accesible de la
población objetivo.

Supuestos para aplicar el Muestreo Aleatorio Simple:

Para que el MAS sea válido, se deben cumplir los siguientes supuestos:

• Existencia de un marco muestral completo y actualizado.

• Homogeneidad relativa de la población respecto a la variable de estudio.
• Accesibilidad a las unidades seleccionadas.
• Probabilidad de inclusión conocida y constante para todos los elementos.
• Ausencia de sesgos en el proceso de selección.
Estimación de parámetros poblacionales:

El MAS permite estimar valores representativos de la población como la media, la proporción

y el total, junto con su precisión. Las principales fórmulas utilizadas son:

Media poblacional estimada:

Proporción poblacional estimada:

Varianza del estimador de la media:

Varianza del estimador de proporción:

Estas fórmulas permiten calcular también el error estándar e intervalos de confianza,

fundamentales para validar la estimación.

Tamaño de muestra en el muestreo aleatorio simple:

El tamaño de muestra se determina considerando el nivel de confianza deseado, el error
máximo permitido y la variabilidad de los datos. Algunas expresiones utilizadas son:

Para estimar una media (población infinita):

Para estimar una proporción (población finita):

Donde:
❖ Z: valor z según el nivel de confianza (por ejemplo, 1.96 para 95%)
❖ e: margen de error
❖ P y Q: proporción estimada y su complemento
❖ N: tamaño poblacional

Ejemplos aplicados:
Ejemplo 1 – Ingreso de agricultores:
Una muestra aleatoria de 8 agricultores de una población de 520 arrojó los siguientes ingresos
(en cientos de soles): 45, 50, 47, 55, 52, 48, 53, 51.
• Media estimada: 𝑦̅ = 50.125

• Error de estimación aproximado: S/. 2.34

Este ejercicio permitió aplicar fórmulas de media, varianza y error de estimación.

Ejemplo 2 – Actividades extracurriculares:

En una universidad con 900 estudiantes, una muestra de 60 mostró una media de 8.45 horas
y varianza muestral de 1.8.
• Estimación del total de horas: 900×8.45 = 7605 horas
• Error de estimación con 95% de confianza: se estimó dentro de un intervalo confiable
usando varianza.

Ejemplo 3 – Determinación del tamaño de muestra:

Una empresa quiere estimar la proporción de clientes que gastan más de S/. 500 al mes. Con
N=2500, P=0.42, Z=1.96, e=0.05, se calculó que el tamaño de muestra requerido es de 1148
personas.

Pruebas estadísticas en el muestreo aleatorio simple:

Pruebas de significancia:
Permiten evaluar si un parámetro observado en la muestra difiere significativamente de un
valor hipotético poblacional. Se emplean pruebas t o z, según se conozca la desviación
estándar poblacional y el tamaño de la muestra.
Pruebas de normalidad:
Se aplican para verificar si los datos de la muestra provienen de una distribución normal.
Algunas de las más comunes son:

• Prueba de Shapiro-Wilk (muestras pequeñas)

• Kolmogorov-Smirnov (muestras grandes)
• Histogramas y diagramas de caja como diagnóstico visual

Ventajas y Limitaciones del muestreo aleatorio simple:

Ventajas:
• Fácil de aplicar y entender.
• Resultados objetivos.
• Adecuado cuando se cuenta con un buen marco muestral.
• Compatible con procedimientos estadísticos clásicos.
Limitaciones:

• Requiere lista completa y accesible de la población.

• Poco eficiente en poblaciones heterogéneas.
• Riesgo de baja representatividad si el tamaño muestral es pequeño.
• Logísticamente complejo si la población es dispersa.

Conclusión del capítulo:

El Muestreo Aleatorio Simple es una técnica esencial en el análisis estadístico. Su
simplicidad y capacidad de proporcionar estimaciones confiables lo convierten en una
herramienta de gran valor, especialmente cuando la población es accesible y relativamente
homogénea. A través de su aplicación en ejercicios y ejemplos prácticos, se comprobó su
utilidad en la estimación de medias, proporciones y totales, así como en la validación de
hipótesis. Aunque presenta algunas limitaciones, sigue siendo la base sobre la cual se
desarrollan otros métodos de muestreo más complejos.
Referencias bibliográficas:

Cochran, W. G. (1977). Sampling techniques (3rd ed.). New York, NY: John Wiley

& Sons. https://es.scribd.com/document/706255451/Tecnicas-de-Muestreo-

William-G-Cochran-FreeLibros-me

Rengifo (2022). “Inferencias en Muestreo Aleatorio Simple

”https://www.researchgate.net/publication/370838139_Libro_Inferencia_Basica_en

_Muestreo_Aleatorio_Simple_y_Estratificado_Unicauca_Abril_2022_Profe_Edwin_

Rengifo_Canizales_1_Edicion_corregida

Gómez (2019) “Muestreo estadístico para docentes y estudiantes”

https://tauniversity.org/sites/default/files/ebook_muestreo_estadistico_para_docent

es_y_estudiantes._dr._angel_gomez_degraves_y_prof._karine_gomez_marquina.

pdf

Molina (2021) “Tamaño muestral para la estimación de una proporción”

https://anestesiar.org/2021/tamano-muestral-para-la-estimacion-de-una-

proporcion-si-dudas-mejor-al-medio/

Sánchez (2021) “La significancia estadística y los intervalos de confianza”

https://cyrs.zaragoza.unam.mx/wp-content/uploads/2021/08/08-M-La-significancia-

estadi%CC%81stica-y-los-intervalos-de-confianza- %C2%BFque%CC%81-me-

indican-y-co%CC%81mo-puedo-interpretarlos3-1.pdf

Bhattacherjee (2012). “Investigación en ciencias sociales: principios, métodos y

prácticas”.

https://digitalcommons.usf.edu/cgi/viewcontent.cgi?article=1002&context=oa_textbooks
 3.1.1 40 EJERCICIOS DE TAMAÑO DE MUESTRA PARA VARIABLE
CUANTITATIVA Y VARIABLE CUALITATIVA EN EL MAS

VARIABLE CUANTITATIVA:
1. Una empresa consultora desea conocer el ingreso mensual promedio de los
trabajadores urbanos. Se sabe que la desviación estándar es de S/ 2,000. Buscan
estimarlo con un error de ±S/300 y un nivel de confianza de 95%. ¿Qué tamaño de
muestra necesitan?
Solución:
Datos: σ=2000 E=300 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: La empresa necesita una muestra de 171 personas para conocer el ingreso mensual
promedio de los trabajadores urbanos.

2. Una organización no gubernamental (ONG) quiere estimar el ingreso familiar

promedio en una pequeña comunidad rural. Se desea un margen de error de $500 con
un nivel de confianza del 95%. Estudios previos sugieren una desviación estándar de
$2000 en los ingresos familiares. ¿Qué tamaño de muestra se necesita?
Solución:
Datos: σ=2000 E=500 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: Se necesita una muestra de 62 familias

3. Un investigador quiere estimar el costo promedio de una vivienda en una ciudad.

Desea un margen de error de $10,000 con un nivel de confianza del 99%. Una
estimación preliminar indica una desviación estándar de $40,000. ¿Cuál es el tamaño
de muestra requerido?
Solución:
Datos: σ=40000 E=10000 Nivel de confianza 99% → Z=2.576
Aplicando la fórmula:

Respuesta: Se necesita una muestra de al menos 107 viviendas

4. El Instituto Nacional de Estadística desea calcular el valor promedio de la canasta

básica familiar. La desviación estándar es 500, el error permitido es ±50 y el nivel de
confianza es 95%. ¿Cuál debe ser el tamaño de muestra?
Solución:
Datos: σ=500 E=50 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:
Respuesta: Se necesita una muestra de
384 para calcular el valor promedio de la canasta básica familiar.

5. Un agricultor quiere estimar la producción promedio de maíz por hectárea en su

granja. Desea un margen de error de 5 quintales con un nivel de confianza del 90%.
De experiencias pasadas, se estima una desviación estándar de 15 quintales. ¿Cuántas
hectáreas debe muestrear?
Solución:
Datos: σ=15 E=5 Nivel de confianza 90% → Z=1.645
Aplicando la fórmula:

Respuesta: El agricultor debe muestrear al menos 25 hectáreas para estimar la producción

promedio con un margen de error de 5 quintales y un 90% de confianza.

6. La Universidad Nacional de Piura investiga el gasto promedio en transporte de sus

estudiantes de primer ciclo, la desviación estándar es S/ 50 y desean trabajar con un
error máximo de ±S/8 y un nivel de confianza del 90%. ¿Cuántos estudiantes deben
ser encuestados?
Solución:
Datos: σ=50 E=8 Nivel de confianza 90% → Z=1.645
Aplicando la fórmula:

Respuesta: La Universidad Nacional de Piura necesita encuestar a 106 estudiantes.

7. El banco BBVA quiere conocer el ahorro mensual promedio de personas de 25 a 40

años, para que de está manera pueda ofrecer productos financieros adecuados y
ajustados al perfil del cliente. Se sabe que la desviación estándar es de S/ 1,200.
Buscan una precisión de ±S/100 y un nivel de confianza del 99%.¿Cuántas personas
se deben encuestar?
Solución:
Datos: σ=1200 E=100 Nivel de confianza 99% → Z=2.576Z
Aplicando la fórmula:

Respuesta: El banco BBVA debe encuestar a 956 personas para estimar el ahorro mensual
promedio de 25 a 40 años.

8. Una ONG busca estimar el gasto promedio en vivienda en zonas urbanas populares.
La desviación estándar es 300, el error máximo permitido es ±25 y el nivel de
confianza es 90%. ¿Qué muestra necesitan?
Solución:
Datos: σ=300 E=25 Nivel de confianza 90% → Z=1.645
Aplicando la fórmula:

Respuesta: La ONG necesita una muestra de 390 para estimar el gasto promedio en vivienda
en zonas urbanas populares.

9. Una consultora económica desea estimar el ingreso mensual promedio de las familias
en una ciudad latinoamericana. Estudios previos muestran que la desviación estándar
del ingreso mensual es de $4,800. Se desea que la estimación tenga un margen de
 error de $500 con un nivel de confianza del 95%. ¿Cuál debe ser el tamaño mínimo
de muestra para realizar esta estimación?
Solución:
Datos: σ=4800 E=500 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: Se necesitan al menos 354 familias en la muestra para estimar el ingreso mensual
promedio.

10. Un equipo de investigación económica desea estimar el gasto mensual promedio en

bienes de consumo de los hogares de una región. En una muestra piloto de 40 hogares,
se encontró un gasto promedio de $3,200 con una desviación estándar de $1,200. Se
busca una estimación con un error máximo de $300 al 95% de confianza. ¿Es
suficiente la muestra piloto? Si no, ¿cuántas observaciones se requieren?
Solución:
Datos: σ=1200 E=300 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: La muestra piloto no es suficiente, se necesitan al menos 62 observaciones para

cumplir con el nivel de confianza y el margen de error deseado.

11. Una cámara de comercio regional desea conocer el costo operativo mensual promedio
de pequeñas empresas del sector comercial. No se tiene una desviación estándar
conocida, pero se estima que el gasto oscila entre $1,500 y $6,000. Utilizando el rango
estimado para calcular una desviación estándar aproximada, ¿qué tamaño de muestra
se requiere para tener un error máximo de $400 con un 90% de confianza?
Solución:
Datos: E=400 Nivel de confianza 90% → Z=1.645 Rango estimado: $1,500 a $6,000
Calculamos la desviación estándar:

Calculamos el tamaño de muestra:

Respuesta: Se necesita una muestra de al menos 22 pequeñas empresas para estimar el costo
operativo mensual promedio con un margen de error de $400 y un 90% de confianza.

12. Una asociación empresarial investiga el gasto promedio en marketing en una

población de 5,000 empresas. La desviación estándar es S/ 2,000, el error permitido
es ±S/300, y el nivel de confianza es 95%. ¿Cuántas empresas deben incluirse en el
estudio?
Solución:
Datos: σ=2000 E=300 N=5000 Nivel de confianza 95% → Z=1.96
Tamaño de muestra sin corrección finita:

Aplicamos corrección para población finita:

Respuesta: Se deben incluir al menos 166 empresas en el estudio para estimar el gasto
promedio en marketing.

13. Una municipalidad desea conocer el gasto promedio mensual de los ciudadanos en
transporte público para diseñar subsidios. El estudio debe realizarse con un nivel de
confianza del 95% y un error máximo de ±20 soles. Se estima una desviación estándar
de 180 soles.
Solución:
Datos: σ=180 E=20 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: La municipalidad debe encuestar al menos 312 ciudadanos para estimar el gasto
promedio mensual en transporte público.

14. Un estudio busca calcular el ingreso per cápita promedio en distintas regiones del
país. La desviación estándar es S/ 5,000, el error aceptado es ±S/800 y el nivel de
confianza es 95%. ¿Qué tamaño de muestra se debe utilizar?
Solución:
Datos: σ=5000 E=800 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: Se debe utilizar una muestra de al menos 151 individuos para estimar el ingreso
per cápita promedio

15. Un ministerio quiere conocer el gasto promedio en programas sociales. La desviación

estándar histórica es 30, el error máximo permitido es ±15, y el nivel de confianza es
99%. ¿Cuántas observaciones se requieren?
Solución:
Datos: σ=30 E=15 Nivel de confianza 99% → Z=2.576
Aplicando la fórmula:

Respuesta: El ministerio debe realizar al menos 27 observaciones para estimar el gasto

promedio en programas sociales.

16. Una asociación de restaurantes quiere estimar el gasto promedio de los consumidores
por visita para ajustar sus precios. Aceptarán un error de ±15 soles con un nivel de
 confianza del 95%. La desviación estándar estimada es de 120 soles. ¿Cuál debe ser
el tamaño mínimo de la muestra?
Solución:
Datos: σ=120 E=15 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: La asociación de restaurantes debe encuestar al menos 246 consumidores para

estimar el gasto promedio.

17. Un banco está interesado en conocer el saldo promedio de ahorro de sus clientes para
diseñar nuevos productos financieros. Se desea un nivel de confianza del 95% y un
margen de error de ±500 soles. La desviación estándar histórica es de 4000 soles.
¿Cuántos clientes deben ser incluidos en la muestra para una estimación precisa?
Solución:
Datos: σ=4000 E=500 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: El banco debe incluir al menos 246 clientes en la muestra para estimar con
precisión el saldo promedio de ahorro.

18. Los estudiantes de la facultad de Economía buscan estimar la tasa de desempleo en

una región rural. La desviación estándar es 3, el error permitido es ±0.5 y el nivel de
confianza es 99%. ¿Qué tamaño de muestra se debe considerar?
Solución:
Datos: σ=3 E=0.5 Nivel de confianza 99% → Z=2.576
Aplicando la fórmula:

Respuesta: Deben considerar una muestra de 239

 19. Una empresa de servicios públicos quiere analizar el costo promedio de luz y agua en
los hogares urbanos. La desviación estándar es S/ 80, el error máximo permitido es
±S/10 y el nivel de confianza es 90%. ¿Cuál es el tamaño de muestra necesario?
Solución:
Datos: σ=80 E=10 Nivel de confianza 90% → Z=1.645
Aplicando la fórmula:

Respuesta: El tamaño de muestra necesario es 173 personas

20. Un municipio realiza un estudio sobre el gasto en actividades recreativas de las

familias locales. Se tiene una desviación estándar de S/ 400, y se desea un error
máximo de ±S/50 con un nivel de confianza del 95%. ¿Cuántas familias deben
participar?
Solución:
Datos: σ=400 E=50 Nivel de confianza 95% → Z=1.96
Aplicando la fórmula:

Respuesta: Debe participar 245 personas

VARIABLE CUALITATIVA:
21. Una empresa desea estimar el porcentaje de clientes satisfechos con su servicio. Se
desea que el error de estimación no supere el 5% con un nivel de confianza del 95%.
¿Qué tamaño de muestra mínimo debería utilizarse si no se tiene información previa
sobre la proporción de clientes satisfechos?
Solución:
Datos: E: 0.05 Nivel de confianza 95% → Z=1.96 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 385 personas

22. En una encuesta previa, se encontró que el 70% de los estudiantes de una universidad
está conforme con el sistema de bibliotecas. Si se desea estimar la proporción actual
de estudiantes conformes con un error máximo del 4% y un nivel de confianza del
99%, ¿cuál debe ser el tamaño de la muestra?
Solución:
Datos: E: 0.04 Nivel de confianza 99% → Z=2.576 p=0.7
Aplicamos la fórmula:

Respuesta: Se necesitan 871 estudiantes.

23. Una empresa farmacéutica quiere estimar el porcentaje de pacientes que reportan
efectos secundarios de un nuevo medicamento. Se sabe que aproximadamente el 15%
de los pacientes ha reportado efectos secundarios. ¿Qué tamaño de muestra se
requiere para estimar la proporción de pacientes con efectos secundarios, con un error
máximo de 3% y un nivel de confianza del 90%?
Solución:
Datos: E: 0.03 Nivel de confianza 90% → Z=1.645 p=0.15
Aplicamos la fórmula:

Respuesta: Se necesitan 382 pacientes.

24. Un supermercado desea estimar la proporción de sus clientes que utilizan su tarjeta
de fidelización. Se busca que el error máximo sea de 2% con un nivel de confianza
del 95%. No se cuenta con un valor previo estimado para la proporción. ¿Qué tamaño
de muestra es necesario?
Solución:
Datos: E: 0.02 Nivel de confianza 95% → Z=1.96 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 2401 clientes.

25. Una institución educativa quiere estimar la proporción de alumnos que utilizan
transporte escolar. No se tiene un dato previo de la proporción. Se desea un error
máximo de 6% y un nivel de confianza del 90%. ¿Qué tamaño de muestra se necesita?
Solución:
Datos: E: 0.06 Nivel de confianza 90% → Z=1.645 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 188 estudiantes.

26. En un hospital, se sabe que el 40% de los pacientes tiene seguro de salud privado. Se
quiere estimar esta proporción con un error de 5% y un nivel de confianza del 95%.
¿Cuál debe ser el tamaño de la muestra?
Solución:
Datos: E: 0.05 Nivel de confianza 95% → Z=1.96 p=0.4
Aplicamos la fórmula:

Respuesta: Se necesitan 369 pacientes.

27. Una tienda online desea conocer la proporción de clientes que realizan compras desde
el celular. No se tiene un porcentaje previo. Se desea trabajar con un error de 3% y
un nivel de confianza del 99%. ¿Qué tamaño de muestra debe tomar?
Solución:
Datos: E: 0.03 Nivel de confianza 99% → Z=2.576 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 1844 clientes.

28. Se sabe que el 25% de los trabajadores de una empresa participa en programas de
capacitación. Se quiere estimar esa proporción con un error máximo del 2% y un nivel
de confianza del 95%. ¿Qué tamaño de muestra se requiere?

Solución:
Datos: E: 0.02 Nivel de confianza 95% → Z=1.96 p=0.25
Aplicamos la fórmula:

Respuesta: Se necesitan 1801 trabajadores.

29. Un colegio quiere estimar el porcentaje de padres que asisten a las reuniones
escolares. No se tiene información previa. Se quiere un error máximo del 5% y un
nivel de confianza del 90%. ¿Qué tamaño de muestra se necesita?
Solución:
Datos: E: 0.05 Nivel de confianza 90% → Z=1.645 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 271 padres.

 30. Se sabe que el 55% de los votantes de una ciudad apoya una propuesta ambiental. Se
quiere estimar esta proporción con un error de 4% y un nivel de confianza del 95%.
¿Qué tamaño de muestra se debe usar?
Solución:
Datos: E: 0.04 Nivel de confianza 95% → Z=1.96 p=0.55
Aplicamos la fórmula:

Respuesta: Se necesitan 594 votantes.

31. Una universidad busca estimar la proporción de estudiantes que trabajan mientras
estudian. No se tiene un valor estimado previo. Se desea un error máximo de 7% y
un nivel de confianza del 95%. ¿Qué tamaño de muestra es necesario?

Solución:
Datos: E: 0.07 Nivel de confianza 95% → Z=1.96 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 196 estudiantes.

32. Un banco quiere estimar la proporción de clientes que usan su aplicación móvil. Se
sabe que el 65% la usa. Se quiere un error máximo del 3% con un nivel de confianza
del 90%. ¿Cuál debe ser el tamaño de la muestra?
Solución:
Datos: E: 0.03 Nivel de confianza 90% → Z=1.645 p=0.65
Aplicamos la fórmula:

Respuesta: Se necesitan 685 clientes.

 33. Una ONG quiere estimar la proporción de jóvenes que participan en actividades de
voluntariado. No hay datos anteriores. Se desea un error de 2% con un nivel de
confianza del 99%. ¿Qué tamaño de muestra es necesario?
Solución:
Datos: E: 0.02 Nivel de confianza 99% → Z=2.576 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 4147 jóvenes.

34. Una municipalidad quiere estimar la proporción de vecinos que están a favor de un
nuevo proyecto de reciclaje. No se tiene una proporción previa. Se desea un error
máximo del 5% y un nivel de confianza del 95%. ¿Qué tamaño de muestra se
necesita?
Solución:
Datos: E: 0.05 Nivel de confianza 95% → Z=1.96 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 385 personas.

35. Se sabe que el 20% de los alumnos de una escuela participa en actividades
extracurriculares. Se quiere estimar esta proporción con un error del 3% y un nivel de
confianza del 95%. ¿Cuál es el tamaño mínimo de la muestra?
Solución:
Datos: E: 0.03 Nivel de confianza 95% → Z=1.96 p=0.20
Aplicamos la fórmula:

Respuestas: Se necesitan 684 estudiantes.

 36. Un periódico quiere estimar la proporción de ciudadanos que prefieren leer noticias
en formato digital. No se tiene un dato previo. Se desea un error de 4% con un nivel
de confianza del 90%. ¿Qué tamaño de muestra es necesario?
Solución:
Datos: E: 0.04 Nivel de confianza 90% → Z=1.645 p=0.5
Aplicamos la fórmula:

Respuestas: Se necesitan 423 personas.

37. Una compañía desea conocer la proporción de trabajadores que están satisfechos con
el sistema de trabajo remoto. Se estima que el 60% está conforme. Se busca un error
máximo del 5% con un nivel de confianza del 99%. ¿Cuál debe ser el tamaño de
muestra?
Solución:
Datos: E: 0.05 Nivel de confianza 99% → Z=2.576 p=0.6
Aplicamos la fórmula:

Respuesta: Se necesitan 637 trabajadores.

38. Una universidad quiere estimar la proporción de sus egresados que consigue empleo
en el primer año. En un estudio anterior se obtuvo un 75%. Se desea un error máximo
de 6% y un nivel de confianza del 95%. ¿Qué tamaño de muestra se necesita?
Solución:
Datos: E: 0.06 Nivel de confianza 95% → Z=1.96 p=0.75
Aplicamos la fórmula:

Respuesta: Se necesitan 201 egresados.

 39. Un centro comercial quiere estimar la proporción de clientes que pagan con tarjeta.
No se cuenta con un valor previo estimado. Se desea un error máximo de 5% y un
nivel de confianza del 90%. ¿Cuál es el tamaño mínimo de la muestra?
Solución:
Datos: E: 0.05 Nivel de confianza 90% → Z=1.645 p=0.5
Aplicamos la fórmula:

Respuesta: Se necesitan 271 personas.

40. En una encuesta anterior, el 30% de los ciudadanos de una ciudad dijeron sentirse
seguros en sus calles. Se desea estimar esta proporción actual con un error de 4% y
un nivel de confianza del 95%. ¿Qué tamaño de muestra se necesita?
Solución:
Datos: E: 0.04 Nivel de confianza 95% → Z=1.96 p=0.3
Aplicamos la fórmula:

Respuesta: Se necesitan 505 ciudadanos.

3.1.2 ENCUESTA SOBRE CANDIDATOS A RECTOR DE LA UNP, MAS:

Objetivo de la encuesta:
El objetivo principal de esta encuesta fue evaluar la percepción de los miembros de la
comunidad universitaria respecto a los candidatos al rectorado de la Universidad Nacional
de Piura, considerando su rol institucional y facultad de pertenencia.

Con el propósito de este análisis, se plantean las siguientes preguntas:

1. Edad
2. Sexo
3. ¿Cuál es su rol dentro de la universidad?
4. Facultad a la que pertenece
5. ¿Está informado(a) sobre el proceso de elección para el rector?
6. ¿Por qué medio principal se enteró usted de los candidatos a rector?
7. ¿Por qué razón votaría por (…) para rector(a) de la UNP?
8. ¿Por cuál candidato a rector votarías?
9. ¿Cuál considera usted que debería ser la principal prioridad del nuevo rector?
10. ¿Considera que el proceso de elección está siendo transparente?

Metodología:
Esta investigación se desarrolló bajo un enfoque cuantitativo, utilizando el método del
Muestreo Aleatorio Simple (MAS), lo que permitió que todos los miembros de la comunidad
universitaria tuvieran la misma probabilidad de ser seleccionados.

Al realizar la sustitución, el tamaño de la muestra es de 374 encuestas, considerando 5% de

error y 95% de confianza. La metodología de este tipo de investigación cualitativa consistió
en realizar preguntas de forma ordenada, en las cuales los participantes aportaron su opinión
libremente y al azar de manera directa (cara a cara), de acuerdo con la siguiente distribución:

La aplicación de las encuestas se realizó de manera presencial en el campus de la Universidad

Nacional de Piura, abarcando distintas facultades y oficinas administrativas. Se priorizó la
diversidad de estamentos, incluyendo estudiantes, docentes y personal administrativo, para
asegurar una muestra representativa. Durante todo el proceso se respetaron principios éticos
fundamentales como el consentimiento informado, la confidencialidad y el anonimato de los
participantes.

El cuestionario fue diseñado con preguntas claras y directas, orientadas a explorar las
opiniones, valoraciones y expectativas de los encuestados sobre el proceso electoral
universitario.

Resultados y gráficos:

La encuesta fue aplicada el 8 de mayo de 2025 en las distintas facultades de la Universidad

Nacional de Piura, con la finalidad de recoger la percepción de los miembros de la comunidad
universitaria respecto al proceso electoral del rectorado.

Edad: La mayoría de los encuestados se encuentra en el grupo de 16 a 23 años

(88.5 %), lo que demuestra una participación masiva del sector estudiantil joven.
Los demás grupos etarios, correspondientes a docentes y personal administrativo,
mostraron una presencia significativamente menor.
Género: La distribución por género fue bastante equilibrada, con un 50.5 % de hombres
y un 49.5 % de mujeres, lo que garantiza una representación equitativa en cuanto al sexo
de los encuestados.

Rol dentro de la universidad: El 91.2 % de los encuestados fueron estudiantes. En

comparación, los docentes ordinarios representaron el 2.7 %, los docentes contratados
el 2.9 % y el personal administrativo el 3.2 %, evidenciando una menor participación
de estos estamentos.
mostraron una presencia significativamente menor.
Nivel de estudios: La mayor proporción de encuestados se encuentra en el III ciclo (43.1 %),
seguido del V ciclo (25.5 %) y el I ciclo (14.4 %). También se reportó participación de alumnos
del VII ciclo (12.6 %) y del IX ciclo (4.4 %), lo que refleja que la mayoría se encuentra en una
etapa intermedia de su carrera.

Facultad de procedencia: La encuesta alcanzó a estudiantes de diversas facultades, garantizando una

representatividad amplia. Destacan Ciencias Contables y Financieras (9.6 %), Arquitectura y Urbanismo
(9.4 %), Ciencias Administrativas (9.4 %), Ciencias Sociales y Educación (8.8 %) e Ingeniería Civil (8.3 %).
 Nivel de información sobre el proceso: El 70.6 % de los encuestados indicó estar
informado sobre el proceso de elección del rector, mientras que el 29.4 % afirmó no
estarlo, lo cual revela la necesidad de fortalecer los canales de comunicación institucional.
mostraron una presencia significativamente menor.

Medio principal de información: Los medios más utilizados para conocer a los candidatos
fueron la propaganda física (38.2 %) y las redes sociales (28.1 %). En menor proporción, los
encuestados se informaron a través de la página web institucional (16.1 %) y por comentarios de
conocidos (12.8 %). Solo un 4.8 % participó en charlas o eventos organizados por la universidad.
Razones de voto: La principal razón por la que los encuestados votarían por
un candidato fue por sus propuestas académicas y de gestión (34.5 %), seguida
del bienestar estudiantil (21.4 %) y la conducta ética y profesional (12 %).

Preferencia electoral: Un 34.5 % de los encuestados aún no ha definido su voto.

Entre quienes sí tienen una decisión, los candidatos con mayor respaldo fueron el
Dr. Ordinola Boyer (20.6 %), el Dr. José Bazán (18.8 %) y el Dr. Enrique Cáceres
(10.7 %). Un 4.6 % señaló que emitiría un voto nulo o blanco.
 Prioridades del nuevo rector: Las prioridades más mencionadas para la próxima
gestión rectoral fueron la mejora académica (35.8 %) y la transparencia en la
gestión (35.6 %), seguidas del bienestar estudiantil (20.6 %).

Percepción de transparencia: El 65.8 % considera que el proceso electoral es transparente,

mientras que el 34.2 % manifestó tener dudas o una percepción negativa sobre la
transparencia de este.
 3.2 MUESTREO SISTEMÁTICO

Objetivos:
Objetivo General:
Aplicar y analizar la técnica de muestreo sistemático para la selección representativa de una
muestra a partir de una población dada.

Objetivos Específicos:
Explicar el concepto y el procedimiento del muestreo sistemático.

• Determinar el tamaño de muestra y el intervalo de muestreo adecuado según la

población.
• Seleccionar una muestra utilizando la metodología del muestreo sistemático.
• Identificar las ventajas y desventajas de aplicar este método en diferentes contextos.
• Interpretar los resultados obtenidos a partir de la muestra seleccionada.

Definiciones y fundamentos:
El muestreo sistemático es una técnica de muestreo probabilístico que se utiliza para
seleccionar una muestra a partir de una población ordenada, aplicando un patrón de selección
constante. A diferencia del muestreo aleatorio simple, en el que cada unidad se elige de forma
completamente al azar, el muestreo sistemático introduce un procedimiento más estructurado
y regular. Esta metodología consiste en escoger un primer elemento al azar dentro de los
primeros registros y, desde ese punto, seleccionar de manera continua a los siguientes
elementos siguiendo un intervalo fijo hasta alcanzar el número total deseado de unidades en
la muestra.

Una condición indispensable para aplicar este tipo de muestreo es contar con un marco
muestral organizado, es decir, una lista completa de los elementos que conforman la
población, dispuesta en algún orden lógico o físico. Una vez se tiene ese listado, se elige de
forma aleatoria el punto de inicio. A partir de ahí, se va seleccionando cada cierto número de
elementos de manera secuencial. Por ejemplo, si se tiene una lista de personas, se podría
seleccionar cada décima persona de la lista, empezando por una que se haya elegido al azar
entre las primeras.

Una de las ventajas más notables del muestreo sistemático es su simplicidad. Al seguir un
patrón regular, facilita mucho el trabajo del investigador, especialmente en situaciones donde
se manejan grandes cantidades de datos o registros que ya están ordenad os. También resulta
útil cuando se desea distribuir la muestra de forma uniforme a lo largo de toda la población,
ya que al seguir un intervalo fijo, se evita la concentración de casos en un solo segmento.

Sin embargo, esta técnica también tiene limitaciones importantes que deben considerarse con
atención. Una de las más críticas es el riesgo de que exista una regularidad o patrón oculto
en la lista que coincida con el intervalo de selección. En estos casos, la muestra resultante
podría estar sesgada, ya que incluiría elementos que comparten características similares por
el orden en el que están organizados. Esto puede provocar que los resultados obtenidos no
sean representativos del total de la población, afectando la validez del estudio.

En conclusión, el muestreo sistemático es un método útil, práctico y eficiente para seleccionar

muestras representativas, siempre que se aplique correctamente. Es especialmente
recomendable cuando se dispone de listas organizadas y se necesita una selección rápida y
ordenada. No obstante, antes de aplicarlo, es esencial asegurarse de que no existen patrones
regulares en la distribución de los elementos, para evitar distorsiones en los resultados. Si se
toman estas precauciones, el muestreo sistemático puede ser una herramienta muy eficaz en
distintos tipos de investigaciones cuantitativas.

Características:

El muestreo aleatorio sistemático presenta una serie de características que lo diferencian de

otros métodos probabilísticos:

• Simplicidad operativa: Una vez definido el intervalo de muestreo, la selección de

unidades se realiza de forma mecánica, lo que facilita su aplicación en campo o
en bases de datos organizadas.
• Punto de inicio aleatorio: El primer elemento de la muestra se elige de manera
aleatoria dentro del primer intervalo, asegurando que todas las unidades tengan la
misma probabilidad de ser seleccionadas.
 • Selección a intervalos regulares: A partir del primer elemento, se escogen los
siguientes elementos sumando sucesivamente el intervalo k (𝑘 = 𝑁/𝑛).
• Distribución uniforme de la muestra: Permite que los elementos seleccionados
estén repartidos de forma equitativa a lo largo de toda la población.
• Requiere población ordenada: El método se aplica sobre listas o registros
ordenados, ya que se basa en posiciones fijas dentro de una secuencia.

Supuestos del muestreo sistemático:

Para garantizar resultados válidos y evitar sesgos, el muestreo sistemático debe cumplir con
ciertos supuestos básicos:

• La población debe estar ordenada de forma neutral o aleatoria: Si el orden de los

elementos está relacionado con la variable de estudio, podría introducirse un
sesgo en la muestra.
• Ausencia de patrones periódicos en la población: Si existe una regularidad que
coincide con el intervalo de muestreo (por ejemplo, cada décimo caso tiene una
característica especial), se pueden generar errores sistemáticos.
• Disponibilidad de una lista completa y actualizada de la población: El método
requiere contar con un marco muestral preciso, donde todas las unidades estén
identificadas y organizadas.
• Homogeneidad relativa de la población respecto a la variable de interés: El
muestreo sistemático funciona mejor en poblaciones que no presentan una alta
variabilidad interna.
• Cálculo exacto del tamaño muestral e intervalo de selección: Para que la muestra
sea representativa, debe definirse correctamente el número de elementos y el valor
del intervalo 𝑘.

Estimación de parámetros poblacionales en el muestreo sistemático:

En el muestreo aleatorio sistemático, al igual que en otros métodos probabilísticos, es posible

realizar estimaciones de parámetros poblacionales como la media, proporción o total con
base en la muestra seleccionada.
 • La media muestral (𝑥̄) se utiliza como estimador puntual de la media poblacional (μ).

• La proporción muestral (p̂) sirve como estimador de la proporción poblacional.

• El error estándar y la varianza de los estimadores pueden calcularse de forma similar

al muestreo aleatorio simple, aunque deben considerarse ajustes si existen
correlaciones entre las unidades seleccionadas (por ejemplo, en poblaciones con
periodicidad).

Sin embargo, si la población presenta estructuras internas o agrupaciones periódicas, la

varianza de los estimadores podría aumentar, reduciendo la eficiencia del método.

Tamaño de muestra en el Muestreo Sistemático:

El tamaño de muestra (𝑛) es un aspecto crítico para garantizar la representatividad de los

resultados. Aunque el proceso de selección es sistemático, el cálculo de 𝑛 se realiza utilizando
los mismos criterios estadísticos que en otros tipos de muestreo probabilístico:

Donde:

• Z = valor z para el nivel de confianza deseado (por ejemplo, 1.96 para 95%)
• σ = desviación estándar poblacional (si se conoce o se estima)
• E = margen de error permitido

Una vez calculado el tamaño de muestra (𝑛), se determina el intervalo de muestreo (k)
dividiendo el tamaño de la población (𝑁) entre el tamaño de la muestra:
El número k debe ser redondeado cuidadosamente (de forma entera o en patrón alterno) para
garantizar una cobertura equitativa. En algunos casos, se puede usar la técnica del muestreo
sistemático circular, donde la lista se considera como un ciclo cerrado para asegurar la
inclusión equitativa de todos los elementos.

Ejemplos Aplicados:

Ejemplo 1: Gasto en transporte urbano:

Una dirección regional desea estimar el gasto mensual promedio en transporte urbano en una
ciudad de 12,000 hogares. Se decide aplicar un muestreo sistemático con una muestra de 300
hogares.

• N = 12,000
• n = 300
• k = N/n = 40
• Punto de arranque aleatorio: 15

Muestra seleccionada: 15, 55, 95, 135, …, hasta 300 elementos

Se selecciona cada 40° hogar desde el número 15.

Ejemplo 2: Evaluación de ingresos en el sector público

El Ministerio de Economía desea evaluar los ingresos de 4,500 funcionarios públicos y

selecciona una muestra de 150 personas.

• N = 4,500, n = 150, k = 30
• Punto de inicio: 12

Se eligen los elementos: 12, 42, 72, 102, …, hasta completar 150 observaciones.

Ejemplo 3: Precios agrícolas mayoristas

Un economista analiza precios de 3,600 puestos de mercado. Requiere una muestra de 120
puestos.

• N = 3,600, n = 120, k = 30, Inicio: 9

Selección: 9, 39, 69, …, 3579.

Ejemplo 4: Estudiantes que trabajan

Se estudia una población de 50 estudiantes. Se toma una muestra sistemática de 1 en 5, con

punto de arranque en A = 3.

Muestra: 3, 8, 13, 18, 23, 28, 33, 38, 43, 48

Se evalúa la proporción de estudiantes que trabajan dentro de la muestra seleccionada.

Ejemplo 5: Control de calidad en una fábrica

Una fábrica produce 8,000 botellas diarias. Se seleccionan 200 botellas por día para control
de calidad.

• k = 8000 / 200 = 40, Inicio aleatorio: 16

Muestra: 16, 56, 96, 136, …, 7976

Ejemplo 6: Evaluación de libros en una biblioteca

Una biblioteca con 6,300 libros desea evaluar el estado del 10% de los ejemplares.

• n = 630, k = 10, Inicio aleatorio: 7

Libros seleccionados: 7, 17, 27, …, 6297

Ejemplo 7: Auditoría de vehículos (muestreo sistemático replicado)

Una empresa con 480 vehículos audita una muestra de 48 unidades en 4 réplicas.

• k = 10, k' = 40, 12 elementos por réplica

 • Puntos de arranque: 3, 11, 27, 35

Cada réplica selecciona 12 vehículos sumando 40 sucesivamente desde su punto de arranque.

Ejemplo 8: Ingreso promedio mensual (muestreo replicado)

Un instituto desea estimar el ingreso promedio de 12,000 hogares, usando 8 réplicas de 30

hogares cada una.

• n = 240, k = 50, k′ = 400

• Puntos de inicio: 17, 35, 66, 163, 201, 218, 369, 392

En cada réplica se elige 30 hogares a partir del punto inicial, sumando intervalos de 400.

Ventajas y Limitaciones del muestreo sistemático:

Ventajas:

• Fácil de aplicar: Una vez elegido el punto de inicio aleatorio, solo se sigue un patrón
fijo (cada k-ésimo elemento), sin necesidad de realizar múltiples sorteos.
• Rápido y económico: Reduce significativamente el tiempo y los costos en
comparación con métodos más complejos, siendo ideal para estudios de gran escala.
• Buena cobertura de la población: Al seleccionar elementos de forma regular, se
obtiene una muestra distribuida a lo largo de toda la población.
• Útil con listas ordenadas de forma neutral: Si el orden de la población no está
relacionado con la variable de estudio (como un orden alfabético), el método es
altamente representativo.
• Fácil de replicar y auditar: El procedimiento es transparente, lo que facilita su revisión
en auditorías o en investigaciones oficiales.
Limitaciones:

• Puede generar sesgo si hay periodicidad: Si la población presenta un patrón repetitivo

que coincide con el intervalo de muestreo, la muestra puede no ser representativa.
• Alta dependencia del primer elemento seleccionado
Un mal punto de partida puede influir negativamente en toda la muestra.
• No adecuado para poblaciones desordenadas o heterogéneas
Si los datos están agrupados por alguna característica clave (como ingresos), el
muestreo sistemático puede producir muestras sesgadas.
• Dificultad en poblaciones dinámicas: En contextos donde los elementos cambian
frecuentemente, mantener el intervalo fijo puede afectar la validez del estudio.
• Menor nivel de aleatorización: Aunque comienza con un número aleatorio, el resto
de la muestra se selecciona de forma determinista, lo que puede ser una desventaja
cuando se requiere máxima aleatoriedad.

Conclusión del capítulo:

El muestreo sistemático es un método eficaz, práctico y ampliamente utilizado dentro de los

muestreos probabilísticos, especialmente cuando la población está ordenada y se requiere
una selección rápida, estructurada y de bajo costo. Su correcta aplicación garantiza
representatividad, siempre que se cumplan condiciones como la homogeneidad poblacional
y la ausencia de patrones periódicos.

Este método ha evolucionado junto con el desarrollo de bases de datos organizadas,

facilitando su uso en distintos campos como economía, educación, salud y control de calidad.
Existen variantes como el muestreo sistemático simple, circular y replicado, que se adaptan
según el contexto y el nivel de precisión requerido.

Entre sus ventajas destacan la facilidad de aplicación, el ahorro de recursos y la cobertura

uniforme de la población. No obstante, sus limitaciones incluyen el riesgo de sesgos cuando
el orden de los datos no es aleatorio o presenta periodicidad.
Finalmente, las recomendaciones revisadas –como aleatorizar el punto de inicio y analizar la
estructura poblacional– son claves para asegurar la validez del método. En conjunto, el
muestreo sistemático demuestra ser una herramienta valiosa, siempre que se utilice con
criterio y conocimiento del contexto.

Referencias Bibliográficas:

Matematix. (2025, abril 15). Muestreo sistemático: ejemplos y aplicación práctica.

Matematix. https://matematix.org/muestreo-sistematico-ejemplos/

Otzen, T., & Manterola, C. (2017). Técnicas de muestreo sobre una población a estudio.
International Journal of Morphology, 35(1), 227–232. https://doi.org/10.4067/S0717-
95022017000100037

Saldaña, M. Z. (2021, abril 4). ¿Dónde se aplica el muestreo aleatorio sistemático? Aleph.
https://aleph.org.mx/donde-se-aplica-el-muestreo-aleatorio-sistematico
 3.3 MUESTREO ESTRATIFICADO

Objetivos:

Objetivo general:
Comprender y aplicar correctamente el muestreo aleatorio estratificado para obtener
muestras representativas en poblaciones heterogéneas, mejorando la precisión de los
resultados estadísticos.

Objetivos específicos:

• Identificar los elementos teóricos y operativos del muestreo estratificado.

• Reconocer los criterios adecuados para formar estratos homogéneos.
• Aplicar correctamente los tipos de asignación muestral según el contexto.
• Calcular el tamaño de muestra requerido por estrato.
• Evaluar ventajas, limitaciones y posibles errores al implementar este método.

Definición y fundamentos:

El muestreo estratificado es una técnica de muestreo probabilístico que se utiliza cuando la

población está compuesta por subgrupos claramente diferenciables entre sí, llamados
estratos. La idea principal de este método es dividir a la población en estos estratos
homogéneos según una característica específica —como edad, género, nivel
socioeconómico, región geográfica, tipo de institución, entre otros— y luego seleccionar una
muestra de cada uno de ellos. Esta técnica busca garantizar que todos los grupos relevantes
de la población estén representados adecuadamente en la muestra final.

Una vez que la población ha sido dividida en estratos, se seleccionan las unidades muestrales
dentro de cada estrato utilizando algún tipo de muestreo aleatorio, como el muestreo aleatorio
simple o el sistemático. Lo importante es que dentro de cada subgrupo se mantenga la
aleatoriedad para no introducir sesgos. El número de elementos que se selecciona en cada
estrato puede ser igual para todos los grupos (muestreo estratificado uniforme) o proporcional
al tamaño de cada uno en la población (muestreo estratificado proporcional). También se
puede aplicar un enfoque más flexible y asignar más muestras a ciertos estratos según la
importancia del grupo o la variabilidad de sus datos (muestreo estratificado óptimo).

El principal objetivo del muestreo estratificado es mejorar la precisión de las estimaciones

estadísticas al reducir el error muestral. Esto se logra gracias a que cada estrato es
internamente homogéneo, es decir, los elementos que lo componen son más parecidos entre
sí que respecto a los de otros estratos. Por lo tanto, al separar las diferencias entre los grupos
antes de seleccionar la muestra, se puede obtener información más detallada y fiable de la
población total. Este enfoque es especialmente útil cuando hay razones teóricas o prácticas
para suponer que los estratos se comportan de manera distinta respecto a la variable que se
está estudiando.

Entre sus principales ventajas, el muestreo estratificado permite asegurar la representación

adecuada de todos los sectores de interés dentro de una población, lo cual es crucial en
estudios sociales, encuestas nacionales, investigaciones de mercado y análisis educativos.
También ayuda a hacer comparaciones más precisas entre subgrupos y puede ser más
eficiente que otros métodos si los estratos están bien definidos. Sin embargo, este tipo de
muestreo requiere un conocimiento previo suficiente de la población para identificar y
clasificar correctamente los estratos, así como una buena organización para llevar a cabo el
proceso de selección en cada subgrupo.

En síntesis, el muestreo estratificado es una técnica robusta que permite obtener muestras
más representativas y resultados estadísticamente más precisos cuando existen diferencias
importantes entre subgrupos dentro de una población. Su aplicación es recomendable en
contextos donde se conoce bien la estructura interna de la población y se busca garantizar
una cobertura equilibrada de todos sus sectores. Si se planifica y ejecuta correctamente, este
método mejora la calidad de los datos recogidos y la validez de las conclusiones de una
investigación.

Características:

• Homogeneidad interna: Dentro de cada estrato, los elementos deben ser similares en
relación con la variable de estudio.
 • Heterogeneidad entre estratos: Los estratos deben diferenciarse claramente entre sí.
• Representación proporcional o focalizada: Se pueden usar asignaciones
proporcionales o no proporcionales según el objetivo del estudio.
• Estimaciones más precisas: Reduce la varianza en la estimación total comparado con
métodos no estratificados.

Supuestos del muestreo estratificado:

• La población debe estar claramente definida y conocida.

• Se deben identificar variables relevantes para la estratificación.
• Cada elemento debe pertenecer a un solo estrato.
• La selección dentro de cada estrato debe ser aleatoria.
• Los tamaños de muestra por estrato deben ser calculados cuidadosamente
(proporcional, óptima o uniforme).

Estimación de parámetros en el muestreo estratificado:

En el muestreo aleatorio estratificado, los parámetros poblacionales se estiman a partir de las

estadísticas obtenidas en cada estrato. Las fórmulas se construyen con base en los resultados
individuales de cada subgrupo, ponderados por su peso relativo en la población.

Estimación de la media poblacional

Donde:

• 𝑥̅ 𝑒 = media estimada de la población total

• Wh =Nh /N= peso del estrato h
• 𝑥̅ ℎ = media muestral del estrato h
• L = número total de estratos
 • Nh y N = tamaño del estrato y de la población, respectivamente

Estimación de la varianza de la media:

Esta fórmula permite calcular el error de estimación total, considerando la varianza dentro
de cada estrato y su peso relativo en la población. La estimación mejora la precisión cuando
los estratos son bien definidos.

Tamaño de muestra en el muestreo estratificado:

Para determinar el tamaño de muestra total o por estrato, es esencial definir la asignación
muestral, es decir, cómo se distribuye el total de la muestra entre los distintos estratos. En tu
documento se presentan los tres tipos más comunes:

1. Asignación Proporcional:

Cada estrato recibe una porción de la muestra proporcional a su tamaño en la población.

Donde:

• nh = tamaño de muestra en el estrato h

• Nh = tamaño poblacional del estrato h
• N = tamaño total de la población
• n = tamaño total de la muestra

2. Asignación Igual o Uniforme:

Se asigna el mismo número de unidades muestrales a cada estrato, sin considerar el tamaño
poblacional de cada uno.
Ideal cuando se desea estudiar todos los estratos con el mismo nivel de detalle.

3. Asignación Óptima de Neyman:

Busca minimizar la varianza total, considerando tanto el tamaño como la variabilidad de cada
estrato.

Donde Sh es la desviación estándar del estrato h.

Ejemplos Aplicados:

Ejemplo 1: Estudiantes de dos grados escolares

Una escuela tiene 80 alumnos:

Se quiere tomar una muestra de 16 alumnos de manera proporcional.

• Para el 5° grado:
• Para el 6° grado:
Ejemplo 2: Opinión sobre una película en tres barrios

Se desea tomar una muestra de 20 personas en proporción al número de habitantes por barrio.

• Para A:

• Para B y C:

Ejemplo 3: Tiempo de estudio entre hombres y mujeres

Se desea tomar una muestra de 12 estudiantes con asignación proporcional por género.

• Para mujeres:

• Para hombres:
Ventajas y Limitaciones del muestreo estratificado:

Ventajas:

• Mayor precisión en las estimaciones: Al dividir la población en estratos homogéneos,

se reduce la variabilidad interna, lo que permite obtener estimaciones más precisas
sin necesidad de aumentar el tamaño muestral.
• Mejora la representatividad: Todos los subgrupos relevantes de la población están
asegurados en la muestra, evitando que grupos pequeños queden fuera por azar.
• Reduce el error de muestreo: Al controlar la composición de la muestra y garantizar
una cobertura equilibrada entre los estratos, se disminuye el error asociado a la
selección aleatoria.
• Permite análisis detallado por subgrupos: Facilita comparar resultados entre
segmentos específicos (edad, género, región, etc.), lo que es útil para estudios que
requieren recomendaciones focalizadas.

Limitaciones:

• Requiere conocer bien la población: Es indispensable tener datos previos claros para
definir los estratos correctamente; de lo contrario, la muestra podría ser inadecuada.
• Complejidad en la definición de estratos: Si no se eligen variables relevantes para la
estratificación, el método pierde eficacia y puede generar confusión o sesgos.
• Mayor costo y tiempo operativo: Diseñar, organizar y ejecutar el muestreo
estratificado demanda más recursos logísticos, especialmente en estudios a gran
escala.
• No siempre es necesario: En investigaciones generales o exploratorias, un muestreo
aleatorio simple puede ser más eficiente y suficiente.

Conclusiones del capítulo:

El muestreo aleatorio estratificado es una técnica poderosa y eficaz dentro de los métodos de
muestreo probabilístico, especialmente útil cuando la población presenta una estructura
heterogénea. Al dividir la población en subgrupos homogéneos o estratos, y aplicar una
selección aleatoria dentro de cada uno, se logra mejorar significativamente la precisión,
representatividad y validez de los resultados.

Una de sus principales fortalezas es que garantiza la inclusión proporcional de todos los
subgrupos relevantes, lo que permite no solo obtener estimaciones más exactas del total
poblacional, sino también realizar análisis comparativos entre estratos. Esto lo convierte en
una herramienta indispensable en estudios sociales, educativos, de salud pública, encuestas
nacionales y análisis de mercado.

Sin embargo, su efectividad depende directamente de una correcta planificación

metodológica. Para que los resultados sean confiables, es esencial definir adecuadamente los
criterios de estratificación, aplicar una asignación muestral pertinente (proporcional,
uniforme u óptima) y asegurar la aleatoriedad en la selección dentro de cada estrato. Una
mala segmentación o errores en la ejecución pueden anular sus ventajas y distorsionar los
hallazgos.

En conclusión, el muestreo estratificado no solo permite obtener información precisa con

mayor eficiencia, sino que también facilita decisiones más justas y fundamentadas. Su
implementación requiere conocimientos técnicos, pero con una adecuada capacitación y
planificación, se convierte en una estrategia clave para todo tipo de investigación estadística
rigurosa.

Referencias bibliográficas:

Cochran, W. G. (1977). Sampling techniques (3rd ed.). Wiley.

Hernández Sampieri, R., Fernández-Collado, C., & Baptista, P. (2014). Metodología de la

investigación (6ª ed.). McGraw-Hill Education.

INEGI (Instituto Nacional de Estadística y Geografía). (s.f.). Glosario de términos

estadísticos. https://www.inegi.org.mx/contenidos/glosario/
Instituto Nacional de Estadística e Informática. (2022). Manual de muestreo estadístico.
https://www.inei.gob.pe

Kish, L. (1965). Survey sampling. Wiley.

Levy, P. S., & Lemeshow, S. (2013). Sampling of populations: Methods and applications
(4th ed.). Wiley.

Lohr, S. L. (2019). Sampling: Design and analysis (2nd ed.). Chapman and Hall/CRC.

Matematix. (2025, abril 15). Muestreo sistemático: ejemplos y aplicación práctica.

Matematix. https://matematix.org/muestreo-sistematico-ejemplos/

Navidi, W. (2011). Estadística para ingenieros y científicos (2ª ed.). McGraw-Hill

Education.

Otzen, T., & Manterola, C. (2017). Técnicas de muestreo sobre una población a estudio.
International Journal of Morphology, 35(1), 227–232. https://doi.org/10.4067/S0717-
95022017000100037

Saldaña, M. Z. (2021, abril 4). ¿Dónde se aplica el muestreo aleatorio sistemático? Aleph.
https://aleph.org.mx/donde-se-aplica-el-muestreo-aleatorio-sistematico

Scheaffer, R. L., Mendenhall, W., Ott, R. L., & Gerow, K. G. (2011). Elementary survey
sampling (7th ed.). Cengage Learning.

Thompson, S. K. (2012). Sampling (3rd ed.). Wiley.

 3.3.1 TRABAJO PRÁCTICO N°1:

ESTRATO 1 ESTRATO 2 ESTRATO 3

6 8 4 10
6 5 9 4 2 6
5 4 6 8
3 2 6 9 8 6
4 3 2 6

𝑁1 = 200 𝑁2 = 100 𝑁3 = 90

̅̅̅
𝑦̅1 = 5.5 𝑦̅2 = 5.16 𝑦̅3 = 5.83

𝑠12 = 5.36 𝑠22 = 6.16 𝑠32 = 6.57

𝑛1 = 12 𝑛2 = 6 𝑛3 = 6

𝑁𝑡𝑜𝑡𝑎𝑙 = 390

1. Cálculo del promedio estratificado:

1
Fórmula 𝑦̅𝑒𝑠𝑡 = [𝑁1 .̅𝑦1 + 𝑁2 .̅𝑦2 + 𝑁3. 𝑦̅3 ]
𝑁

1
Reemplazamos 𝑦̅𝑒𝑠𝑡 = [200(5.5) + 100(5.16) + 90(5.83)]
390

𝑦̅𝑒𝑠𝑡 = 5.49

2. Cálculo de la varianza estratificada:

Fórmula
 𝐿
1 𝑁 − 𝑛𝑖 𝑠𝑖2
2( 𝑖
𝑣̅ (𝑦̅𝑒𝑠𝑡 ) = 2 [∑ 𝑁𝑖 ) ( )]
𝑁 𝑁𝑖 𝑛𝑖
𝑖=1
• Para el estrato 1:
𝑁1 −𝑛1 200 −12
➢ = = 0.94
𝑁1 200

𝑠21 5.36
➢ = = 0.447
𝑛1 12

• Para el estrato 2:
𝑁2 −𝑛2 100 −6
➢ = = 0.94
𝑁2 100

𝑠22 6.16
➢ = = 1.027
𝑛2 6

• Para el estrato 3:
𝑁3 −𝑛3 90−6
➢ = = 0.93
𝑁3 90

𝑠23 6.57
➢ = = 1.095
𝑛3 6

Reemplazamos en la fórmula:
1
𝑣̂(𝑦̅𝑒𝑠𝑡) = (200)2 (0.94)(0.447) + (100)2 (0.94)(1.027) + (90)2 (0.93)(1.095)
(390)2

𝑣̂(𝑦̅𝑒𝑠𝑡) = 0.23

3. Cálculo del Intervalo de Confianza al 98%:

Fórmula IC = 𝑦̅𝑒𝑠𝑡 ± 𝑧 𝛼
(1− )⋅√ 𝑣̂(𝑦̅𝑒𝑠𝑡 )
2

Considerando la distribución normal de Z al 98 %, 𝑧(1−𝛼 ) =2.83; Reemplazamos:

2
 𝐼𝐶 = 5.49 ± 2.33√0.23
𝐼𝐶 = 4.37 ≤ 𝑦 ≤ 6.61

IC = [4.37;6.61]

El Intervalo o los límites de Confianza para la prueba a un 98% es de [4.37; 6.61].

3.3.2 TRABAJO PRÁCTICO N°2:

• Tamaño de muestra para estimar las medias poblacionales

𝐿
∑ 𝑁 2 𝜎2
ℎ =1 𝑖 𝑖
𝑤𝑖 𝐸2
Fórmula 𝑛= 𝐿 ;donde 𝑣= 𝛼 2
𝑁2 𝑣+∑ ℎ =1 𝑁𝑖 𝜎𝑖2 𝑧(1− )
2

DATOS:
𝜎12 = 25 𝜎22 = 225 𝜎32 = 100
𝑛1 = 200 𝑛2 = 100 𝑛3 = 90

1
- Considerando 𝑤𝑖 =
3

𝐿
∑ 𝑁𝑖2 𝜎𝑖2 ( 200) 2 ( 25) ( 100) 2 ( 225) +( 90) 2 ( 100)
➢ ℎ=1
= 1 + 1 1 = 12180000
𝑤𝑖
3 3 3

𝐿
➢ ∑ℎ=1 𝑁𝑖 𝜎𝑖2 = 200(25) + 100(225) + 90(100) = 36500

𝐸2 22
➢ 𝑣= 𝛼 2
= ( 1.96) 2
= 1.041
𝑧(1− )
2

Reemplazamos en la fórmula:
 12180000
𝑛= = 62.51 ≈ 63
(390)2 (1.041) + 36500

• Muestra de toda la población = 63

1
• Muestra para cada estrato: 𝑛ℎ = 𝑛 × 𝑤ℎ = 63 ( ) = 21
3

3.3.3 TRABAJO PRÁCTICO N°3:

Esquema de afijación de Neyman:

𝐿

∑ 𝑁𝑖 𝜎𝑖 = 𝑁1 𝜎1 + 𝑁2 𝜎2 + 𝑁3 𝜎3
𝑖=1

Reemplazamos: ∑𝐿𝑖=1 𝑁𝑖 𝜎𝑖 = 200(5) + 100(15) + 90(10) = 3400

𝑁1 𝜎1 200 ( 5)
• 𝑛1 = 𝑛 (∑3 ) = 𝑛( ) = 0.29(𝑛) - 𝑤1 = 0.29
𝑛=1 𝑁𝑛 𝜎𝑛 3400

𝑁2 𝜎2 100 ( 15)
• 𝑛2 = 𝑛 (∑3 ) = 𝑛( ) = 0.44(𝑛) - 𝑤2 = 0.44
𝑛=1 𝑁𝑛 𝜎𝑛 3400

𝑁1 𝜎1 90 ( 10)
• 𝑛1 = 𝑛 (∑3 ) = 𝑛 ( 3400 ) = 0.27(𝑛) - 𝑤2 = 0.27
𝑛=1 𝑁𝑛 𝜎𝑛

𝐸2 22
➢ 𝑉= 𝛼 2 = ( 196) 2
= 1.041
𝑧(1− )
2

➢ 𝑁2 𝑉 = (390)2 (1.0412) = 158366.52

2
(∑3𝑛=1 𝑁𝑛 𝜎𝑛 ) ( 3400) 2
➢ 𝑛= 3 = 158366 .52+36500 = 59.32
𝑁2 𝑉+∑ 𝑛=1 𝑁𝑛 𝜎𝑛2
 𝑛1 = 𝑤1 × 𝑛 = 0.29 × 59 = 17.11
𝑛2 = 𝑤2 × 𝑛 = 0.44 × 59 = 25.96
𝑛3 = 𝑤3 × 𝑛 = 0.27 × 59 = 15.93

3.3.4 TRABAJO PRÁCTICO N°4:

Estrato 𝑁𝑖 𝐶𝑖 𝑃𝑖 ( 1 − 𝑝𝑖 ) 𝑁𝑖 √𝑃𝑖 (1 − 𝑃𝑖 ) ∕ 𝑐𝑖 𝑁𝑖 √𝑃𝑖 (1 − 𝑃𝑖 ) × 𝐶𝑖 𝑁𝑖 𝑃𝑖 (1 − 𝑃𝑖 )

1 200 9 0.80 0.20 26.67 240 32
2 100 16 0.25 0.75 10.83 173.21 18.75
3 90 16 0.50 0.50 11.25 180 22.5
Total 390 48.75 593.21 73.25

0.01 2
𝑉(𝑃̂𝑒𝑠𝑡 ) = ( ) = 0.0026
1.96
48.75(593.21)
𝑛= = 61.7 ≈ 62
(390)2 (0.0026) + 73.25

Tamaño de muestra para cada estrato:

26.67
• 𝑛1 = × 62 = 33.9 ≈ 34
48.75

10.83
• 𝑛2 = × 62 = 13.7 ≈ 14
48.75

11.25
• 𝑛3 = × 62 = 14.3 ≈ 14
48.75

Comprobando:
34 + 14 + 14 = 6
 3.3.5 TRABAJO PRÁCTICO N° 5:

Con base en los datos recolectados, se define una tabla que servirá como referencia para el
desarrollo del presente ejercicio. El objetivo es obtener una muestra representativa por cada
estrato, con fines de simulación o sondeo, en el contexto de las elecciones del rectorado de
la Universidad Nacional de Piura para el periodo 2025-2028. Para ello, se trabajará con un
nivel de confianza del 95 %, un margen de error del 5 % y una proporción estimada de 0.5
en cada estrato. Estos parámetros permitirán calcular el tamaño de muestra necesario por
grupo, garantizando así una representación adecuada de cada segmento de la población
universitaria dentro del estudio.
 PARA ALUMNOS
Tabla 1
Total de votantes del nivel de pregrado

FACULTAD Nh Ph Qh N nPnQn Tamaño de

muestra (nh)

AGRONOMÍA 650 0.5 0.5 162.5 20

ARQUITECTURA Y 520 0.5 0.5 130 16

URBANISMO

CIENCIAS 1648 0.5 0.5 412 52

CIENCIAS ADMINISTRATIVAS 777 0.5 0.5 194.25 24

CIENCIAS FINANCIERAS Y 828 0.5 0.5 207 26

CONTABLES

CIENCIAS DE LA SALUD 1080 0.5 0.5 270 34

CIENCIAS SOCIALES Y 1251 0.5 0.5 312.75 39

EDUCACIÓN

DERECHO Y CIENCIAS 581 0.5 0.5 145.25 18

POLÍTICAS

ECONOMÍA 528 0.5 0.5 132 17

IG. CIVIL 443 0.5 0.5 110.75 14

IG. MINAS 1529 0.5 0.5 382.25 48

IG. INDUSTRIAL 1384 0.5 0.5 346 43

IG. PESQUERA 492 0.5 0.5 123 15

ZOOTECNIA 562 0.5 0.5 140.5 18

TOTAL 12273 3068.25 384

 2
𝑒 0.05 2
𝑉=( ) =( ) = 0.000651
𝑍𝛼/2 1.96

∑𝑁ℎ 𝑃ℎ 𝑄ℎ 3068.25
𝑛0 = = = 384.0245776
𝑁𝑉 12273 ∗ 0.000651

𝑛0 384.0246
= = 0.0312
𝑁 12 273

𝑛0
Tenemos que ≤ 5%, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑛 = 𝑛0
𝑁
Aplicamos tamaño de muestra por estrato:
𝑁ℎ
𝑛ℎ = (𝑛)
𝑁
Entonces, tamaño de muestra para la facultad en alumnos pregrado de:
o Agronomía:

650
𝑛ℎ = (384) = 20.33
12 273

o Arquitectura y Urbanismo:

520
𝑛ℎ = (384) = 16.26
12 273
o Ciencias:

1648
𝑛ℎ = (384) = 51.56
12 273

o Ciencias Administrativas:

777
𝑛ℎ = (384) = 24.31
12 273

o Ciencias contables y financieras:

828
𝑛ℎ = (384) = 25.90
12 273
o Ciencias de la Salud:

1080
𝑛ℎ = (384) = 33.79
12 273

o Ciencias sociales y educación:

1251
𝑛ℎ = (384) = 39.14
12 273

o Derecho y Ciencias políticas:

581
𝑛ℎ = (384) = 18.17
12 273

o Economía:

528
𝑛ℎ = (384) = 16.52
12 273

o Ingeniería Civil:

443
𝑛ℎ = (384) = 13.86
12 273

o Minas:

1529
𝑛ℎ = (384) = 47.83
12 273

o Ingeniería Industrial:

1384
𝑛ℎ = (384) = 43.30
12 273

o Pesquera:

492
𝑛ℎ = (384) = 15.39
12 273

o Zootecnia:

562
𝑛ℎ = (384) = 17.58
12 273
PARA DOCENTES
Tabla 2
Total de docentes nombrados electores

FACULTADES Nh Ph Qh NhPhQh Tamaño de

muestra (nh)

AGRONOMÍA 37 0.5 0.5 9.25 14

ARQUITECTURA Y 22 0.5 0.5 5.5 9
URBANISMO
CIENCIAS 113 0.5 0.5 28.25 43
CIENCIAS 25 0.5 0.5 6.25 10
ADMINISTRATIVAS
CIENCIAS CONTABLES Y 26 0.5 0.5 6.5 10
FINANCIERAS

CIENCIAS DE LA SALUD 89 0.5 0.5 22.25 34

CIENCIAS SOCIALES Y 76 0.5 0.5 19 29

EDUCACIÓN

DERECHO Y CIENCIAS 28 0.5 0.5 7 11

POLÍTICAS

ECONOMÍA 30 0.5 0.5 7.5 12

INGENIERÍA CIVIL 11 0.5 0.5 2.75 4

INGENIERÍA DE MINAS 57 0.5 0.5 14.25 22

INGENIERÍA INDUSTRIAL 55 0.5 0.5 13.75 21

INGENIERÍA PESQUERA 22 0.5 0.5 5.5 8

ZOOTECNIA 23 0.5 0.5 5.75 9

TOTAL 614 153.5 236

 2
𝑒 0.05 2
𝑉=( ) =( ) = 0.000651
𝑍𝛼/2 1.96

∑𝑁ℎ 𝑃ℎ 𝑄ℎ 153.5
𝑛0 = = = 384.024
𝑁𝑉 614 x 0.000651
𝑛0 384.024
= = 0.6254
𝑁 614

𝑛0
Tenemos que ≥ 5%: 𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑁
𝑛0 384.024
𝑛= 𝑛 → 𝑛 = → 𝑛 = 236.264 → 𝑛 = 236
1 + 𝑁0 1 + 0.6254

𝑛0
Donde: 𝑛 = 𝑛 es corrección para el tamaño de muestra previa
1+ 0
𝑁

Aplicando el tamaño de muestra por estrato, entonces se define los tamaños de muestra por
facultades en docentes:

o Agronomía:

37
𝑛ℎ = (236) = 14.22 ≈ 14
614

o Arquitectura y Urbanismo:

22
𝑛ℎ = (236) = 8.5 ≈ 9
614

o Ciencias:

113
𝑛ℎ = (236) = 43.4 ≈ 43
614

o Ciencias Administrativas:

25
𝑛ℎ = (236) = 9.61 ≈ 10
614

o Ciencias contables y financieras:

26
𝑛ℎ = (236) = 9.99 ≈ 10
614
o Ciencias de la Salud:

89
𝑛ℎ = (236) = 34.21 ≈ 34
614

o Ciencias sociales y educación:

76
𝑛ℎ = (236) = 29.21 ≈ 29
614

o Derecho y Ciencias políticas:

28
𝑛ℎ = (236) = 10.76 ≈ 11
614

o Economía:

30
𝑛ℎ = (236) = 11.53 ≈ 12
614

o Ingeniería Civil:

11
𝑛ℎ = (236) = 4.22 ≈ 4
614

o Minas:

57
𝑛ℎ = (236) = 21.91 ≈ 22
614

o Ingeniería Industrial:

55
𝑛ℎ = (236) = 21.14 ≈ 21
614

o Pesquera:

22
𝑛ℎ = (236) = 8.4 ≈ 8
614

o Zootecnia:

23
𝑛ℎ = (236) = 8.84 ≈ 9
614
 3.4 MUESTREO CONGLOMERADO

Objetivos:

Objetivo general:

Analizar el muestreo por conglomerado como técnica de muestreo probabilístico, destacando

sus características, aplicaciones, ventajas, limitaciones y recomendaciones para su uso
adecuado en investigaciones estadísticas.

Objetivos Específicos:

• Definir el concepto de muestreo por conglomerado y diferenciarlo de otras técnicas

de muestreo probabilístico.
• Describir las principales características y tipos de muestreo por conglomerado.
• Explicar el procedimiento para seleccionar conglomerados y determinar el tamaño de
la muestra.
• Identificar las ventajas y desventajas del uso del muestreo por conglomerado en
comparación con otros métodos.
• Analizar aplicaciones prácticas del muestreo conglomerado en diferentes áreas
(salud, educación, encuestas sociales, etc.).
• Proponer recomendaciones para mejorar la precisión y representatividad de los
estudios que emplean este tipo de muestreo.

Definición y fundamentos:

El muestreo por conglomerados es un tipo de muestreo probabilístico que se utiliza cuando

la población se encuentra agrupada de manera natural en subconjuntos o unidades colectivas
denominadas conglomerados. En lugar de seleccionar directamente a los individuos de la
población, este método se basa en elegir algunos de estos conglomerados al azar para realizar
el estudio, y luego se analiza a todos los elementos que forman parte de ellos o a una parte
seleccionada aleatoriamente dentro de cada uno.
Para aplicar este tipo de muestreo, primero se identifican los conglomerados existentes dentro
de la población. Estos pueden estar definidos geográficamente, institucionalmente o por
alguna otra forma de organización previa. Una vez definidos, se realiza una selección
aleatoria de algunos conglomerados. Dependiendo del diseño del estudio, se puede trabajar
con un solo nivel de selección (muestreo de una etapa), donde se estudian todos los elementos
dentro de cada conglomerado elegido, o con varios niveles (muestreo de dos o más etapas),
donde se aplica una segunda selección dentro de los conglomerados previamente escogidos.

El fundamento del muestreo por conglomerados radica en que los grupos seleccionados
deben reflejar, en su conjunto, la diversidad de la población original. Aunque cada
conglomerado puede contener cierta variabilidad interna, lo importante es que, como
conjunto, los conglomerados elegidos permitan hacer inferencias válidas sobre toda la
población. Para ello, se requiere que los conglomerados sean formados antes de la selección,
y no diseñados artificialmente con fines del estudio, ya que deben representar agrupaciones
naturales y preexistentes.

Esta técnica se basa en el principio de probabilidad, ya que la selección de los conglomerados

se realiza de manera aleatoria, lo que permite que los resultados obtenidos sean
generalizables. Sin embargo, al centrarse en grupos completos en lugar de unidades
individuales, la precisión de las estimaciones puede depender de cuán representativos sean
los conglomerados entre sí y de cuánta heterogeneidad haya dentro de cada uno.

En síntesis, el muestreo por conglomerados constituye una estrategia de selección en la que

se parte de agrupaciones naturales ya existentes en la población, que son seleccionadas
aleatoriamente para facilitar el acceso y la organización del estudio. Su estructura requiere
una clara definición de los conglomerados desde el inicio y una planificación adecuada del
proceso de selección para mantener el carácter probabilístico del muestreo.

Características:

• Es un método probabilístico: Todos los conglomerados tienen la misma probabilidad

de ser seleccionados, lo que permite obtener resultados representativos si se aplica
correctamente.
 • Requiere agrupaciones naturales o geográficas: La población debe estar dividida en
grupos ya existentes, como barrios, aulas o manzanas. No es necesario crear nuevos
grupos.
• Puede aplicarse en una o dos etapas:
❖ Una etapa: se eligen conglomerados y se estudia a todos sus miembros.
❖ Dos etapas: se eligen conglomerados y dentro de ellos una muestra aleatoria
de individuos.
• Eficiencia operativa: Es más práctico y económico que otros métodos, ya que
concentra el trabajo de campo en zonas específicas, reduciendo tiempo y costos.
• Solo se necesita un listado de conglomerados: No se requiere una lista completa de
todos los individuos, solo de los conglomerados disponibles.
• Es flexible y combinable: Puede usarse junto con otros métodos, como el muestreo
estratificado o sistemático, para mejorar la representatividad.
• La precisión depende de la variabilidad entre conglomerados
Es más efectivo si los conglomerados son heterogéneos entre sí y los elementos dentro
de cada uno son variados.
• Amplio uso en investigaciones sociales: Es común en censos, encuestas de hogares,
estudios de salud pública y educación, debido a su facilidad de aplicación a gran
escala.

Tipos de muestreo por conglomerados:

El muestreo por conglomerados puede aplicarse de diferentes formas, según el número de

etapas utilizadas en la selección. A continuación, se presentan sus principales tipos:

1.- Muestreo por conglomerados de una etapa:

En este tipo, se seleccionan al azar algunos conglomerados y se estudian todos los elementos
que los conforman. Es un método directo y práctico, ideal cuando el número de individuos
dentro de cada conglomerado no es muy grande.

Ejemplo: En un estudio educativo, se seleccionan al azar 10 escuelas (conglomerados) y se

evalúa a todos los alumnos de esas escuelas.
2.- Muestreo por conglomerados de dos etapas:

Primero, se seleccionan aleatoriamente algunos conglomerados; luego, dentro de cada uno,

se elige una muestra aleatoria de individuos. Este tipo es más flexible y reduce costos cuando
los conglomerados son muy grandes.

Ejemplo: En una encuesta nacional, se eligen 20 distritos (conglomerados) y dentro de cada

uno se seleccionan aleatoriamente 30 hogares.

3.- Muestreo multietápico (varias etapas)

Es una extensión del muestreo de dos etapas. Se seleccionan unidades muestrales en más de
dos niveles. Por ejemplo: región → distrito → institución → persona. Es útil en encuestas
nacionales o investigaciones a gran escala.

Ejemplo: En un estudio de salud, se seleccionan regiones, luego centros de salud dentro de

esas regiones, y finalmente pacientes dentro de cada centro.

Estimación en el muestreo por conglomerados:

En el muestreo por conglomerados, la estimación de parámetros poblacionales se realiza a

partir de los datos recogidos en los conglomerados seleccionados aleatoriamente. El objetivo
principal es estimar valores como la media poblacional o la proporción, con base en los
promedios obtenidos de cada conglomerado.

Cuando se aplica un muestreo de una etapa y se observa a todos los elementos dentro de cada
conglomerado, la estimación de la media poblacional se obtiene calculando el promedio de
las medias de cada conglomerado:

Donde:

• 𝑦̅ es la media estimada de la población

• 𝑛 es el número de conglomerados seleccionados
• 𝑦̅i es la media del conglomerado i.
También se puede estimar la varianza entre conglomerados y el error estándar de la media
poblacional, que permiten medir la precisión de la estimación.

Esta metodología es útil cuando se desea obtener resultados generales sin necesidad de
observar directamente a cada individuo de la población, optimizando recursos sin perder
validez estadística.

Formulas:

Estimación de la media poblacional:

Donde:

• n = número de conglomerados seleccionados.

• mi = número de elementos seleccionados en el i-esimo conglomerado
• yij = valor observado del j-esimo elemento en el i-esimo conglomerado

Varianza de la media aproximada:

Error estándar:

Ventajas y Limitaciones

Ventajas:

• Reducción de costos y tiempo: Al concentrarse en ciertos conglomerados en lugar de

toda la población, se disminuyen los gastos y el tiempo necesarios para la recolección
de datos, especialmente si los sujetos están geográficamente dispersos.
• Facilidad de logística: Es más práctico llevar a cabo el estudio de conglomerados
seleccionados (por ejemplo, visitar solo algunas escuelas o empresas) que hacerlo
sobre individuos distribuidos en toda la población.
 • Adecuado para poblaciones grandes o dispersas: Es especialmente útil cuando no es
posible obtener una lista completa de todos los individuos de la población, pero sí se
dispone de una lista de grupos o unidades más grandes (como regiones, instituciones,
etc).
• Permite una muestra representativa si los conglomerados son homogéneos entre sí:
Si los conglomerados seleccionados reflejan adecuadamente las características de
toda la población, el resultado puede ser bastante representativo.
• Combinable con otras técnicas de muestreo: Se puede usar junto con otros métodos,
como el muestreo estratificado o el muestreo aleatorio simple dentro de los
conglomerados, lo que permite refinar la representatividad.
• Útil cuando no se conoce el marco muestral completo: Si no se tiene acceso a la lista
total de la población, pero sí a una lista de grupos, este método permite seguir
trabajando dentro de un esquema probabilístico.

Limitaciones:

• Menor precisión estadística: Si los individuos dentro de los conglomerados son muy
similares entre sí (alta homogeneidad interna), la variabilidad entre los grupos puede
no representar bien a toda la población. Esto puede reducir la precisión de las
estimaciones comparado con otros métodos como el muestreo aleatorio simple.
• Posible sesgo si los conglomerados no son representativos: Si los conglomerados
seleccionados no reflejan bien a toda la población (por ejemplo, si son de una sola
región o tienen características particulares), los resultados pueden estar sesgados.
• Tamaño muestral más grande para igualar precisión: Para alcanzar el mismo nivel de
precisión que un muestreo aleatorio simple, a veces es necesario aumentar el número
total de observaciones, lo que puede compensar parte del ahorro en costos.
• Dependencia de una buena estructura de conglomerados: Requiere que la población
esté dividida en conglomerados claramente definidos y accesibles. Si la división es
deficiente o los datos sobre los conglomerados no están actualizados, puede
complicar la ejecución del muestreo.
 • Dificultad para controlar la variabilidad interna: En algunos casos, no se tiene control
sobre la variabilidad de los individuos dentro de los conglomerados, lo que puede
afectar la calidad de los datos recogidos.
• Análisis estadístico más complejo: Los análisis deben considerar la estructura
jerárquica de los datos (datos agrupados), lo que puede requerir técnicas estadísticas
más avanzadas, como modelos de efectos mixtos o estimadores robustos.

Ejemplos Aplicados:

Ejemplo 1: Ingreso promedio por facultad:

Respuesta: La media estimada del ingreso mensual es S/ 992.5, con un error estándar de S/
17.5.
Ejemplo 2: Número promedio de horas de estudio

Respuesta: El número promedio estimado de horas de estudio es 11, con un error estándar
de 0.58 horas.

Conclusión del capítulo:

El muestreo aleatorio por conglomerados es una técnica estadística de gran utilidad en

investigaciones aplicadas a poblaciones amplias, dispersas o difíciles de enumerar
individualmente. Su mayor fortaleza radica en la eficiencia logística y operativa, ya que
permite reducir de manera significativa los costos y el tiempo requeridos para recolectar
información, en comparación con métodos más exigentes como el muestreo aleatorio simple
o el estratificado.

Una de sus ventajas clave es que no requiere un marco muestral individual completo, sino
que trabaja con grupos naturales preexistentes, como manzanas, escuelas, barrios o
instituciones. Esta característica lo hace especialmente aplicable en encuestas nacionales,
estudios sociales, educativos y de salud pública, donde acceder a cada individuo sería costoso
o inviable.
Sin embargo, esta practicidad puede estar acompañada de un aumento en el error muestral,
especialmente si los elementos dentro de cada conglomerado son demasiado similares entre
sí. Por ello, resulta fundamental un diseño riguroso de la muestra y, en muchos casos, se opta
por un muestreo en dos etapas para mejorar la representatividad.

En resumen, el muestreo por conglomerados constituye una estrategia versátil y funcional

para estudiar poblaciones grandes bajo condiciones logísticas limitadas. Su correcta
aplicación permite obtener resultados estadísticos válidos y útiles para la toma d e decisiones
en diversos campos de la investigación.

Referencias bibliográficas:

ATLAS.ti. (2023, junio 22). Muestreo por conglomerados: Técnicas y buenas prácticas.
https://atlasti.com/es/research-hub/muestreo-por-conglomerados

Cochran, W. G. (1977). Sampling techniques (3rd ed.). John Wiley & Sons.

Ejemplos.co. (s. f.). Muestreo por conglomerados. https://www.ejemplos.co/muestreo-por-

conglomerados/

Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2014). Metodología

de la investigación (6.ª ed.). McGraw-Hill Education.

Luna, L. (2016). Técnicas de muestreo en investigación social. Fondo Editorial de Ciencias

Sociales.

QuestionPro. (2023, junio 22). Características del muestreo por conglomerados.

https://www.questionpro.com/blog/es/caracteristicas-muestreo-por-conglomerados/

QuestionPro. (2023, junio 22). Muestreo por conglomerados: ¿Cuándo utilizarlo?

https://www.questionpro.com/blog/es/muestreo-por-conglomerados/

Scribbr. (2023, junio 22). Cluster sampling | A simple step-by-step guide with examples.
https://www.scribbr.com/methodology/cluster-sampling/
Tamayo, M., & Tamayo, A. (2011). El proceso de investigación científica (5.ª ed.). Limusa.

Uchupanta, R. (2022, julio 16). Características del muestreo por conglomerados

[Presentación]. SlideShare. https://es.slideshare.net/slideshow/caractersticas-del-muestreo-
por-conglomeradospptx/252204286

Wikipedia. (2023, marzo 2). Muestreo por conglomerados.

https://es.wikipedia.org/wiki/Muestreo_por_conglomerados
 IV. CONCLUSIONES

El desarrollo de este trabajo final ha permitido integrar de manera estructurada los contenidos
teóricos y prácticos abordados durante el curso de Muestreo Estadístico, resaltando la
importancia de los métodos probabilísticos en el diseño de investigaciones rigurosas,
objetivas y representativas. A lo largo del ciclo, se exploraron las principales técnicas de
muestreo: aleatorio simple, sistemático, estratificado y por conglomerados, cada una con sus
fundamentos, aplicaciones y alcances, acompañadas de ejercicios, tareas en clase y encuestas
aplicadas.

El muestreo aleatorio simple (MAS) constituyó el punto de partida para comprender la lógica
probabilística en la selección de muestras. Su simplicidad metodológica lo convierte en una
técnica base para estudios donde se dispone de un marco muestral completo y accesible. A
través de ejercicios de estimación de medias, proporciones y tamaños de muestra —tanto con
variables cuantitativas como cualitativas— se demostró cómo obtener información
estadísticamente válida de manera eficiente. La encuesta sobre las elecciones rectorales de la
UNP aplicada con este método, permitió comprobar su funcionalidad en contextos
institucionales reales, garantizando la igualdad de probabilidades para todos los participantes.

El muestreo sistemático, por su parte, resultó especialmente útil en situaciones donde la

población está ordenada o numerada, ya que facilita una selección ordenada, rápida y de bajo
costo. Su aplicación en distintos ejercicios demostró su eficiencia operacional, aunque
también permitió identificar sus limitaciones en presencia de patrones cíclicos que podrían
sesgar los resultados. Aun así, se comprobó que, cuando se cumple con sus supuestos, este
tipo de muestreo logra una cobertura uniforme y representativa de la población.

El muestreo estratificado sobresalió como una de las técnicas más potentes abordadas. Su
valor radica en permitir una representación equilibrada de todos los subgrupos relevantes
dentro de una población heterogénea, aumentando la precisión de las estimaciones y
reduciendo el error muestral. Este método fue aplicado en múltiples ejercicios prácticos,
trabajos en clase y encuestas, donde se utilizaron diferentes tipos de asignación
(proporcional, uniforme y óptima) para reflejar la diversidad interna de la población.
Asimismo, se comprobó su utilidad para realizar análisis comparativos por género, ciclo
académico, nivel socioeconómico o área geográfica, lo que refuerza su valor analítico en
estudios complejos.

En el transcurso del ciclo también se abordaron ejercicios aplicados de determinación del

tamaño de muestra, tanto para variables cuantitativas como cualitativas. Estos ejercicios
fortalecieron la comprensión de los factores que intervienen en el diseño muestral, como el
nivel de confianza, el margen de error y la desviación estándar, elementos fundamentales
para lograr estimaciones precisas con un uso eficiente de los recursos disponibles.

Además de la teoría y los cálculos, las encuestas aplicadas en entornos reales ofrecieron la
oportunidad de experimentar todo el proceso investigativo: desde la planificación y
definición del marco muestral, hasta la recolección de datos, el análisis estad ístico y la
interpretación crítica de los resultados. En especial, la encuesta sobre la elección de
autoridades universitarias permitió explorar el vínculo entre el diseño muestral y la validez
de los resultados obtenidos, así como la importancia de representar adecuadamente a todos
los estamentos universitarios en el estudio.

Finalmente, el capítulo dedicado al muestreo por conglomerados permitió comprender una

técnica especialmente útil en investigaciones que involucran poblaciones amplias, dispersas
o difíciles de enumerar individualmente. Su principal fortaleza radica en la practicidad y
eficiencia logística, ya que permite reducir significativamente los costos y el tiempo
requeridos para recolectar datos. A diferencia de otros métodos, este tipo de muestreo trabaja
con grupos naturales preexistentes como barrios, instituciones o zonas geográficas, lo cual lo
convierte en una herramienta clave para encuestas nacionales, estudios educativos, sociales
y de salud pública. Si bien puede implicar un mayor error muestral, su correcta aplicación
garantiza resultados confiables y representativos, siendo una estrategia versátil ante
limitaciones logísticas reales.

En conjunto, este trabajo evidencia que el diseño muestral adecuado es la base de toda
investigación estadística confiable. El dominio de estas técnicas no solo mejora la calidad de
los datos obtenidos, sino que también potencia la capacidad de análisis, d e toma de decisiones
y de aplicación de la estadística en contextos profesionales y académicos reales.
V. ANEXOS