El muestreo estratificado proporcional es una técnica de muestreo por etapas múltiples utilizada en estadística para seleccionar una muestra representativa de una población dividida en subgrupos homogéneos, conocidos como estratos. A diferencia del muestreo aleatorio simple, este método garantiza que cada subgrupo esté representado en la muestra en proporción exacta a su tamaño dentro de la población total, reduciendo así el error de muestreo y mejorando la precisión de las estimaciones.

Este enfoque es fundamental en investigación social, encuestas de opinión y estudios científicos donde la población presenta una heterogeneidad marcada. Al asegurar que grupos menores no queden subrepresentados, el muestreo estratificado proporcional ofrece una visión más fiel de la realidad poblacional que otros métodos más simples, siendo una herramienta clave para la toma de decisiones basada en datos.

Definición y concepto

El muestreo estratificado proporcional es una técnica de selección de muestras donde la población se divide en subgrupos homogéneos, llamados estratos, y el tamaño de la muestra extraída de cada uno es directamente proporcional al tamaño del estrato en la población total. Este método garantiza que la composición de la muestra refleje fielmente la estructura de la población general, reduciendo el error de muestreo en comparación con el aleatorio simple cuando existen diferencias significativas entre los estratos.

Para comprender este concepto, es necesario definir sus componentes básicos. La población es el conjunto total de individuos o elementos sobre los que se desea obtener información. Un estrato es un subconjunto de la población formada por unidades que comparten una característica común relevante para el estudio, como la edad, el género o el nivel socioeconómico. La unidad muestral es cada uno de los elementos individuales seleccionados dentro de cada estrato.

Diferencias con otros métodos de muestreo

A diferencia del muestreo aleatorio simple, donde cada individuo tiene la misma probabilidad de ser seleccionado independientemente de sus características, el estratificado proporcional asegura la representación de subgrupos clave. En el aleatorio simple, si un grupo minoritario representa solo el 5% de la población, es posible que por azar queden subrepresentados o incluso ausentes en la muestra. El estratificado soluciona esto obligando a que ese 5% esté presente en la muestra final.

Dato curioso: Este método es fundamental en las encuestas electorales. Si se usa un muestreo aleatorio simple en un país con una gran población rural dispersa y una urbana concentrada, los votantes rurales podrían perderse estadísticamente. El estratificado garantiza que su voz cuente proporcionalmente.

La distinción más crítica es con el muestreo estratificado no proporcional (o óptimo). En el no proporcional, el tamaño de la muestra en cada estrato puede variar según la variabilidad interna o el costo de encuestar a cada grupo. Por ejemplo, si los estudiantes de tercer año varían más en sus calificaciones que los de primer año, se podría tomar una muestra más grande de terceros para ganar precisión. En el proporcional, esa variabilidad importa menos que la representación numérica directa.

Cálculo del tamaño muestral por estrato

La aplicación práctica requiere calcular cuántas unidades extraer de cada estrato. Si conocemos el tamaño total de la muestra deseada y la proporción que ocupa cada estrato en la población, la fórmula es directa. El número de muestras del estrato i, denotado como ni​, se calcula multiplicando el tamaño total de la muestra n por la proporción del estrato Wi​:

ni​=n×Wi​

Donde Wi​ es la razón entre el tamaño del estrato i (Ni​) y el tamaño total de la población (N):

Wi​=NNi​​

Esto significa que si un estrato representa el 20% de la población total, exactamente el 20% de las unidades de la muestra final deben provenir de ese grupo. La suma de las muestras de todos los estratos debe igualar al tamaño total de la muestra planificada. Este enfoque minimiza el sesgo de selección y mejora la precisión de las estimaciones, siempre que la variable de estratificación esté bien correlacionada con la variable que se mide. La consecuencia es directa: mayor homogeneidad dentro de los estratos implica mayor precisión general del estudio.

¿Cómo se calcula el tamaño de la muestra en cada estrato?

El cálculo del tamaño de la muestra en cada estrato es el paso operativo central del muestreo estratificado proporcional. El objetivo es asegurar que la proporción de individuos seleccionados en cada subgrupo sea idéntica a su representación en la población total. Esto elimina sesgos de tamaño y simplifica el cálculo de errores estándar posteriores.

Fórmula y desglose de variables

La relación matemática que rige esta distribución es directa. Se basa en el peso relativo de cada estrato dentro del conjunto completo. La fórmula para determinar el número de unidades de muestra en el estrato h es:

nh​=(NNh​​)×n

Para aplicar esta ecuación correctamente, es necesario definir con precisión cada componente. La variable Nh representa el tamaño del estrato específico h. Es decir, cuántos individuos pertenecen a esa subcategoría concreta dentro de la población total. Por su parte, N es el tamaño total de la población de estudio. Incluye la suma de todos los individuos de todos los estratos combinados. Finalmente, n denota el tamaño total de la muestra que se desea obtener. Este número suele determinarse previamente mediante cálculos de nivel de confianza y margen de error deseados.

La fracción Nh / N calcula el peso o proporción del estrato. Multiplicar este peso por el tamaño total de la muestra n asigna a ese estrato su cuota justa de representación. Este método garantiza que ningún grupo quede subrepresentado o sobrerrepresentado por azar.

Dato curioso: Si la población está perfectamente dividida en tres estratos iguales, cada uno aportará exactamente un tercio de la muestra total, independientemente de las características internas de cada grupo.

Ejemplo numérico aplicado

La teoría se aclara con un caso práctico sencillo. Imaginemos una escuela secundaria con una población total (N) de 1.200 estudiantes. La dirección desea realizar una encuesta de satisfacción con una muestra total (n) de 120 alumnos. La población se divide en tres estratos según el curso académico:

Para calcular cuántos alumnos se deben seleccionar de cada curso, aplicamos la fórmula. Para el primer curso, el cálculo es (400 / 1.200) * 120. Esto resulta en 40 estudiantes. Para el segundo curso, la operación es (500 / 1.200) * 120, lo que da como resultado 50 estudiantes. Finalmente, para el tercer curso, calculamos (300 / 1.200) * 120, obteniendo 30 estudiantes.

La suma de las muestras parciales (40 + 50 + 30) debe coincidir exactamente con el tamaño total de la muestra (120). Esta verificación es útil para detectar errores de redondeo cuando las poblaciones no son múltiplos exactos del tamaño de la muestra. La consecuencia es directa: la estructura de la muestra refleja fielmente la estructura de la población original.

Este enfoque es especialmente útil cuando los costos de recolección de datos son similares en todos los estratos. Si un estrato es muy pequeño pero muy variable, el muestreo proporcional puede subestimar su influencia, lo que lleva a considerar el muestreo óptimo o de Neyman. Pero para la mayoría de los estudios introductorios, la proporcionalidad simple ofrece el equilibrio adecuado entre precisión y simplicidad operativa.

Historia y evolución del método

El desarrollo del muestreo estratificado no surgió de la nada, sino como respuesta a la necesidad de reducir el error en poblaciones heterogéneas. A principios del siglo XX, los estadísticos comenzaron a observar que dividir una población en subgrupos homogéneos (estratos) permitía una estimación más precisa que el muestreo aleatorio simple.

William A. Falconer fue uno de los pioneros en aplicar este concepto en el campo de la agricultura. Sus trabajos iniciales demostraron que al estratificar los campos de cultivo según características como el tipo de suelo o la exposición al sol, se podía obtener una media más representativa de la producción total. Esta aplicación práctica sentó las bases teóricas para su uso posterior en otras disciplinas.

La contribución de Jerzy Neyman

Aunque Falconer introdujo la idea práctica, fue Jerzy Neyman quien le dio el rigor matemático necesario durante las décadas de 1920 y 1930. En su trabajo fundamental de 1934, Neyman analizó cómo asignar el tamaño de la muestra dentro de cada estrato para minimizar el error de muestreo dado un costo fijo.

Dato curioso: El trabajo de Neyman fue tan influyente que muchos historiadores de la estadística lo consideran el padre del muestreo por conglomerados y estratificado moderno.

Neyman demostró que la varianza de la media estimada en un muestreo estratificado depende del tamaño de la muestra en cada estrato y de la varianza dentro de cada uno. Su fórmula para la asignación óptima, conocida como asignación de Neyman, establece que el tamaño de la muestra en cada estrato debe ser proporcional al tamaño del estrato y a la desviación estándar dentro de él.

Para el caso específico del muestreo estratificado proporcional, que es una simplificación de la asignación de Neyman cuando se asume que las desviaciones estándar son similares en todos los estratos, la fórmula para el tamaño de la muestra en el estrato h es:

nh​=n×NNh​​

Donde nh​ es el tamaño de la muestra en el estrato h, n es el tamaño total de la muestra, Nh​ es el tamaño del estrato h y N es el tamaño total de la población. Esta relación directa entre el tamaño del estrato y el tamaño de la muestra es lo que define el carácter "proporcional" del método.

La evolución posterior del método ha incluido ajustes para costos variables y para poblaciones infinitas, pero el núcleo matemático establecido por Neyman sigue siendo la columna vertebral de su aplicación en encuestas demográficas, estudios de mercado y ciencias sociales. La claridad de su enfoque permitió que el método se convirtiera en una herramienta estándar en la caja de herramientas del estadístico.

Es importante notar que, aunque la teoría de Neyman es robusta, su aplicación práctica requiere un conocimiento previo de la estructura de la población. Esto ha llevado a debates sobre la eficiencia del método cuando los datos previos son escasos o cuando los costos de estratificación superan los beneficios en precisión. Sin embargo, su legado histórico es innegable y su influencia sigue vigente en el diseño de estudios modernos.

¿Qué ventajas tiene frente al muestreo aleatorio simple?

El muestreo estratificado proporcional no es solo una variante técnica; es una herramienta de eficiencia. Cuando la población no es homogénea, el muestreo aleatorio simple (MAS) a menudo desperdicia precisión. Al dividir la población en estratos y muestrear en proporción a su tamaño, se reduce la variabilidad interna. Esto se traduce directamente en un error estándar menor que el del MAS, siempre que las medias de los estratos difieran entre sí.

La garantía de representación es otra ventaja crítica. En un MAS, un subgrupo pequeño puede quedar oculto o sobre-representado por azar. El método proporcional asegura que cada estrato esté presente en la muestra en la misma proporción que en la población total. Esto es vital cuando se analizan minorías o subpoblaciones específicas, evitando que sus características estadísticas se pierdan en el ruido de los datos generales.

Comparación con otras técnicas de muestreo

Para entender dónde encaja el método proporcional, es útil compararlo con el MAS y con el muestreo estratificado óptimo (de Neyman). Cada uno responde a necesidades distintas de precisión y coste.

Característica Muestreo Aleatorio Simple (MAS) Estratificado Proporcional Estratificado Óptimo (Neyman)
Requisito previo Población relativamente homogénea Estratos definidos y tamaños conocidos Estratos definidos y varianzas conocidas
Precisión (Error Estándar) Menor (si hay heterogeneidad) Mayor que el MAS (si los estratos son distintos) Máxima para un tamaño de muestra fijo
Representación de subgrupos Depende del azar Garantizada proporcionalmente Garantizada, pero ponderada por la varianza
Complejidad de cálculo Baja Media Alta (requiere estimación de varianzas)
Fórmula de tamaño de muestra por estrato nh​=n⋅NNh​​ (implícito) nh​=n⋅NNh​​ nh​=n⋅∑Ni​σi​Nh​σh​​

La tabla muestra que el método proporcional es un punto intermedio. Es más preciso que el MAS sin la complejidad de calcular las varianzas individuales como en el método de Neyman. En el método proporcional, el tamaño de la muestra en cada estrato nh​ depende únicamente de la proporción del estrato en la población total Nh​/N.

Dato curioso: El método de Neyman, aunque más preciso, puede dejar "atropellados" a los estratos con baja varianza pero pequeño tamaño, asignándoles muy pocas unidades muestrales. El método proporcional evita este riesgo, asegurando que todos los estratos tengan una presencia mínima significativa.

La facilidad para el análisis comparativo es una ventaja práctica a menudo subestimada. Al tener muestras de tamaños relativos consistentes, comparar las medias de los estratos entre sí es más directo. No es necesario aplicar tantas correcciones de peso como en otros diseños complejos. Esto simplifica la interpretación de los resultados para estudiantes y profesionales que necesitan comunicar hallazgos claros.

Pero hay un matiz. Si los estratos son muy similares entre sí (baja variación inter-estrato), la ventaja sobre el MAS se reduce. La clave está en elegir bien los estratos. Si se agrupan elementos muy parecidos, la ganancia de precisión es mínima. La selección de los estratos es, por tanto, tan importante como el cálculo proporcional en sí.

Procedimiento paso a paso para su aplicación

La aplicación del muestreo estratificado proporcional requiere una secuencia lógica rigurosa. No basta con dividir la población al azar; cada decisión afecta la representatividad final. El error más común es ignorar la variable estratificadora o mal calcular las proporciones. Siga estos pasos para garantizar precisión.

Identificación de la población y la variable clave

El primer paso consiste en delimitar claramente el universo de estudio. Debe definirse la población total, denotada como N. Simultáneamente, se debe seleccionar la variable estratificadora. Esta es la característica que divide a los individuos en grupos homogéneos entre sí, pero heterogéneos entre grupos. Por ejemplo, en una encuesta universitaria, la variable podría ser el "año de cursada" o la "facultad". Elegir una variable irrelevante reduce la eficacia del método.

División en estratos mutuamente excluyentes

Una vez elegida la variable, se divide la población en subgrupos llamados estratos. Es crucial que estos sean mutuamente excluyentes: un individuo debe pertenecer a un solo estrato. Si la variable es "género" (hombre, mujer, no binario), un estudiante no puede estar simultáneamente en dos categorías sin un criterio claro de asignación. Esta división asegura que no haya solapamientos que distorsionen los datos.

Cálculo de proporciones y aplicación del factor de escala

Se calcula el tamaño de cada estrato, Nh, donde h identifica el estrato. La proporción de cada estrato dentro de la población total se obtiene dividiendo Nh por N. Luego, se aplica esta proporción al tamaño total de la muestra deseada, n. Esto determina cuántos individuos se deben seleccionar de cada grupo. La fórmula para el tamaño de la muestra en el estrato h, denotado como nh, es:

nh​=n×NNh​​

Este cálculo asegura que si un estrato representa el 20% de la población, también representará el 20% de la muestra. La proporcionalidad es el núcleo del método.

Muestreo aleatorio simple dentro de cada estrato

Conocido el número de individuos a extraer de cada estrato, se aplica el muestreo aleatorio simple. Esto significa que cada miembro del estrato tiene la misma probabilidad de ser seleccionado. Se puede usar una tabla de números aleatorios o un generador digital. Este paso final introduce el elemento de azar necesario para reducir el sesgo de selección.

Dato curioso: Este método fue popularizado por estadísticos como William Gosset (conocido como "Student") a principios del siglo XX, aunque sus raíces se remontan a estudios agrícolas donde la calidad del suelo variaba significativamente por zonas.

La ejecución precisa de estos pasos minimiza el error estándar. Sin embargo, requiere un listado completo de la población, lo que puede ser un desafío en poblaciones grandes y dinámicas. La claridad en cada etapa es fundamental para la validez de los resultados.

Ejercicios resueltos

La aplicación práctica del muestreo estratificado proporcional permite verificar la comprensión del método a través de casos concretos. A continuación, se presentan dos ejercicios resueltos que ilustran el cálculo de los tamaños de muestra por estrato en contextos educativos y geográficos.

Ejercicio 1: Selección de estudiantes en una institución educativa

Considera una escuela con un total de 1.200 estudiantes distribuidos en tres niveles académicos: Bachillerato con 600 estudiantes, Pre-universitario con 450 estudiantes y Maestría con 150 estudiantes. Se desea seleccionar una muestra de 120 estudiantes para una encuesta sobre servicios bibliotecarios.

El primer paso consiste en calcular la proporción de cada estrato respecto al tamaño total de la población:

Luego, se multiplica cada proporción por el tamaño total de la muestra (120 estudiantes):

La suma de los individuos seleccionados es 60+45+15=120. Esto confirma que el cálculo es correcto y que la muestra mantiene la misma estructura proporcional que la población original.

Ejercicio 2: Encuesta de opinión pública por regiones

Una encuesta de opinión pública busca medir la satisfacción ciudadana en un país dividido en cuatro regiones geográficas. La población total es de 5.000 habitantes. Los datos de población por región son: Región Norte con 2.000 habitantes, Región Sur con 1.500, Región Este con 1.000 y Región Oeste con 500. El tamaño de la muestra seleccionada es de 250 personas.

Se calcula la proporción de cada región:

Aplicando estas proporciones al tamaño de la muestra (250 personas), se obtienen los siguientes resultados:

La suma total es 100+75+50+25=250. Este método asegura que cada región esté representada en la muestra según su peso demográfico real.

Dato curioso: En la práctica estadística, cuando el cálculo de la proporción genera decimales (por ejemplo, 15.7 personas), se suele redondear al número entero más cercano. Para que la suma total coincida exactamente con el tamaño de la muestra, a veces se ajusta el estrato con el mayor residuo decimal.

Aplicaciones en investigación científica y social

Encuestas electorales y demografía

Las encuestas electorales en 2026 utilizan el muestreo estratificado para capturar la diversidad de una población que, a menudo, se comporta de manera heterogénea. Al dividir a los votantes por regiones geográficas o grupos de edad, los investigadores aseguran que cada segmento tenga una representación adecuada en la muestra final. Este método es preferible porque evita que los grupos minoritarios, como los votantes jóvenes o los residentes de zonas rurales, queden diluidos por la mayoría. La precisión de los resultados depende directamente de esta distribución equilibrada.

El tamaño de la muestra para cada estrato se calcula utilizando una fórmula específica que garantiza la proporcionalidad:

nh​=Nh​×Nn​

Donde nh es el tamaño de la muestra del estrato h, Nh es el tamaño total del estrato, n es el tamaño total de la muestra y N es el tamaño total de la población. Esta ecuación asegura que la relación entre la muestra y la población se mantenga constante en cada grupo.

Estudios médicos y clínicos

En la investigación médica, la estratificación es crucial para controlar variables que pueden influir significativamente en los resultados de un tratamiento. Por ejemplo, al estudiar la eficacia de una nueva vacuna, los investigadores pueden estratificar a los participantes por grupo sanguíneo o rango de edad. Esto permite identificar si ciertos grupos responden mejor al tratamiento que otros. Sin este enfoque, los efectos secundarios o la eficacia podrían variar entre los grupos, lo que llevaría a conclusiones erróneas.

Dato curioso: En algunos ensayos clínicos, la estratificación por edad ha revelado que los adultos mayores responden de manera diferente a los tratamientos que los adultos jóvenes, lo que ha llevado a ajustes en las dosis recomendadas.

Control de calidad industrial

El control de calidad en la industria utiliza el muestreo estratificado para evaluar la consistencia de los productos a lo largo de diferentes turnos de trabajo o líneas de producción. Al dividir las muestras por turno, las empresas pueden identificar si hay variaciones en la calidad del producto que se deben a factores específicos, como la fatiga de los trabajadores o las condiciones ambientales. Este método permite a las empresas tomar decisiones más informadas sobre los ajustes necesarios para mejorar la eficiencia y la calidad general.

La aplicación de este método en estos contextos específicos demuestra su versatilidad y su capacidad para proporcionar resultados precisos y significativos. La elección del método de muestreo adecuado depende de las características de la población y de los objetivos de la investigación.

Limitaciones y errores comunes

El muestreo estratificado proporcional no es una solución universal. Aunque ofrece precisión estadística superior en muchos contextos, introduce complejidades logísticas y de diseño que, si no se gestionan bien, pueden distorsionar los resultados más que el propio error muestral. Comprender estas limitaciones es tan crucial como saber calcular el tamaño de la muestra.

La dependencia crítica de la lista de muestreo

El mayor obstáculo técnico es la necesidad de disponer de una lista de muestreo (o marco de muestreo) completa y actualizada. A diferencia del muestreo aleatorio simple, donde a veces basta con acceder físicamente a la población, aquí cada individuo debe estar asignado a un estrato antes de extraer la muestra. Si la lista omite a ciertos grupos o clasifica mal a los individuos, la estratificación pierde su efecto de reducción de varianza.

Imagina estudiar los ingresos de una ciudad usando el padrón municipal como lista. Si el padrón no incluye a los residentes de temporada o a los inquilinos recientes, esos grupos quedarán subrepresentados en sus respectivos estratos de renta. La consecuencia es directa: sesgo de selección sistemático.

Costos logísticos y dispersión geográfica

En términos de eficiencia económica, este método suele ser más caro que el aleatorio simple cuando la población está geográficamente dispersa. Al forzar la presencia de individuos de todos los estratos en la muestra final, los encuestadores a menudo deben viajar a zonas más lejanas o menos accesibles para capturar a los miembros de los estratos menos poblados.

Dato curioso: En estudios agrícolas, a veces se prefiere el muestreo por conglomerados (más barato por cercanía geográfica) sobre el estratificado, incluso a costa de perder algo de precisión estadística, porque el costo del transporte del equipo de campo supera el beneficio de reducir el error estándar.

Riesgos en la selección del estrato y errores de diseño

La elección de la variable estratificadora es un punto de partida crítico. Si se elige una variable poco relevante para la característica que se mide, la ganancia en precisión es mínima. Por ejemplo, estratificar una población por "color de ojos" para estudiar "nivel de ingresos" probablemente no reduzca la varianza significativamente, ya que la correlación entre ambas variables es débil. El esfuerzo adicional se gasta en diferenciar grupos que son estadísticamente similares.

Un error común de diseño es la superposición de estratos. Los estratos deben ser mutuamente excluyentes. Si un individuo puede pertenecer a dos estratos simultáneamente sin una regla clara de asignación, surge la ambigüedad. Por ejemplo, si se estratifica por "edad" y por "estado civil" en dos pasos sin definir una jerarquía, una persona de 30 años y soltera podría ser contada en dos grupos distintos si no se define un criterio único de clasificación (como usar la edad como estrato principal y el estado civil como sub-estrato).

La precisión matemática de este método depende de que la varianza dentro de cada estrato sea menor que la varianza total de la población. La fórmula de la varianza de la media muestral en muestreo estratificado refleja esta dependencia:

V(yˉ​st​)=h=1∑L​(NNh​​)2nh​Sh2​​(1−Nh​nh​​)

Donde Sh2​ es la varianza dentro del estrato h. Si Sh2​ es grande (es decir, los individuos dentro del estrato son muy diferentes entre sí), la ventaja del método disminuye. En el peor de los casos, si los estratos son heterogéneos, el muestreo estratificado puede resultar menos eficiente que el aleatorio simple, especialmente si los costos de recolección no se ajustan proporcionalmente.

Preguntas frecuentes

¿Cuál es la diferencia entre muestreo estratificado proporcional y aleatorio simple?

El muestreo aleatorio simple trata a toda la población como un bloque único, lo que puede dejar grupos pequeños sin representación. El estratificado proporcional divide la población en subgrupos (estratos) y selecciona individuos de cada uno en proporción a su tamaño, asegurando que todos estén representados correctamente.

¿Cómo se calcula el tamaño de la muestra para cada estrato?

Se multiplica el tamaño total de la muestra deseada por la proporción que representa cada estrato en la población total. La fórmula básica es: Tamaño de muestra del estrato = (Tamaño del estrato / Tamaño total de la población) × Tamaño total de la muestra.

¿Cuándo es más ventajoso usar este método?

Es más ventajoso cuando la población es heterogénea y se pueden identificar subgrupos naturales (como género, edad o nivel socioeconómico) que influyen en la variable de estudio. También es útil cuando se desea comparar resultados entre estos subgrupos con mayor precisión.

¿Qué pasa si un estrato es muy pequeño?

Si un estrato es muy pequeño, puede que la muestra proporcional sea tan reducida que pierda significación estadística. En esos casos, a veces se aplica un muestreo estratificado desproporcional para dar más peso a ese grupo, aunque esto requiere ajustes en el cálculo final.

¿Es necesario conocer el tamaño de la población total?

Sí, para aplicar el muestreo estratificado proporcional es esencial conocer el tamaño total de la población y el tamaño de cada uno de los estratos. Sin esta información, es difícil calcular las proporciones exactas necesarias para la selección de la muestra.

Resumen

El muestreo estratificado proporcional es una técnica estadística que mejora la representatividad de una muestra al dividir la población en subgrupos homogéneos y seleccionar individuos de cada uno en proporción a su tamaño. Este método reduce el error de muestreo y asegura que grupos minoritarios no queden subrepresentados, ofreciendo una visión más precisa de la población total.

Su aplicación requiere conocer la estructura de la población y sigue un procedimiento sistemático de división, cálculo de proporciones y selección aleatoria dentro de cada estrato. Aunque es más complejo que el muestreo aleatorio simple, su precisión lo convierte en una herramienta indispensable en investigación científica y social, siempre que se eviten errores comunes como la mala definición de los estratos o el solapamiento entre ellos.

Véase también