Qué es muestreo estratificado

El muestreo estratificado es una técnica de muestreo probabilístico en la que la población total se divide en subgrupos homogéneos, llamados estratos, antes de seleccionar las unidades de muestra. A diferencia del muestreo aleatorio simple, donde cada individuo tiene la misma probabilidad de ser elegido independientemente de los demás, este método garantiza que cada subpoblación esté representada proporcionalmente o según criterios específicos en la muestra final.

Esta metodología es fundamental en estadística y ciencias sociales porque reduce el error de muestreo y aumenta la precisión de las estimaciones. Al asegurar que grupos pequeños pero importantes no se queden fuera del estudio, los investigadores obtienen datos más fiables para tomar decisiones fundamentadas.

Definición y concepto

El muestreo estratificado es un método de muestreo por probabilidades diseñado para aumentar la precisión de las estimaciones estadísticas. En esta técnica, la población total no se trata como un bloque único, sino que se divide previamente en subgrupos internos llamados estratos. Estos estratos deben ser mutuamente excluyentes y colectivamente exhaustivos, lo que significa que cada unidad de la población pertenece a un solo estrato y ningún elemento queda fuera. Una vez definida esta estructura, se extrae una muestra aleatoria de cada estrato por separado.

Esta estructura permite controlar la variabilidad dentro de la muestra final. La lógica subyacente es que, si los elementos dentro de cada grupo son similares entre sí, el error estándar de la estimación disminuye en comparación con otros métodos más simples.

Diferencia con el Muestreo Aleatorio Simple

Comprender el muestreo estratificado requiere contrastarlo con el Muestreo Aleatorio Simple (MAS). Ambos son métodos probabilísticos, pero su enfoque sobre la variabilidad es casi opuesto. En el MAS, se asume que la población es relativamente homogénea o se confía en que la aleatoriedad pura capturará esa homogeneidad. Se seleccionan unidades directamente de la población total sin agrupaciones previas.

El muestreo estratificado invierte esta lógica. Busca explotar la heterogeneidad entre los estratos y la homogeneidad dentro de ellos. Si se divide a una población de estudiantes universitarios por facultad (Ingeniería, Letras, Ciencias), los estudiantes dentro de "Letras" pueden tener perfiles académicos muy similares entre sí (homogeneidad interna), pero muy diferentes a los de "Ingeniería" (heterogeneidad entre estratos). Esta distinción es crucial para la eficiencia estadística.

Dato curioso: La eficacia del muestreo estratificado depende directamente de qué tan diferentes sean los estratos entre sí. Si los estratos fueran idénticos, el método perdería su ventaja principal frente al Muestreo Aleatorio Simple.

Términos clave

Para aplicar correctamente esta técnica, es necesario dominar tres conceptos fundamentales que estructuran todo el proceso de recolección de datos.

El estrato es cada uno de los subgrupos en los que se divide la población. Debe definirse antes de extraer la muestra y basarse en una variable relevante para el estudio, como la edad, el ingreso o la ubicación geográfica. La elección del estrato determina gran parte del éxito del muestreo.

La unidad muestral es el elemento individual sobre el cual se realiza la medición o la observación. Es la unidad básica de análisis dentro de cada estrato. Por ejemplo, si se estudia la satisfacción laboral en una empresa dividida por departamentos, cada empleado es una unidad muestral.

El marco muestral es la lista completa y actualizada de todas las unidades poblacionales de las cuales se extrae la muestra. En el muestreo estratificado, es vital que el marco esté correctamente segmentado para asegurar que cada unidad pertenezca al estrato adecuado. Un error común es tener un marco desactualizado donde las unidades cambian de estrato sin que el registro lo refleje.

La precisión de este método se puede cuantificar. La varianza de la media muestral estratificada se calcula considerando el peso de cada estrato y su variabilidad interna:

Donde Wh es la proporción del estrato en la población, Sh2 es la varianza dentro del estrato y nh es el tamaño de la muestra en ese estrato. Esta fórmula muestra matemáticamente por qué reducir la varianza interna (Sh2) mejora la estimación general.

Historia y contexto del método

El muestreo estratificado no surgió de la nada en las aulas de estadística pura; nació del barro y la cosecha. A principios del siglo XX, los agrónomos necesitaban una forma más precisa de estimar el rendimiento de los cultivos sin tener que medir cada planta. La intuición era sencilla: si un campo no era homogéneo, dividirlo en zonas similares mejoraba la precisión. Esta práctica empírica sentó las bases de lo que luego se formalizaría como método estadístico riguroso.

William A. Falconer fue una figura clave en esta etapa inicial. En 1920, aplicó sistemáticamente la división de campos en parcelas homogéneas para reducir la variabilidad en los datos agrícolas. Su enfoque demostró que agrupar elementos similares antes de seleccionar la muestra reducía el error estándar en comparación con un muestreo aleatorio simple. La consecuencia es directa: al controlar la diversidad dentro de cada grupo, se gana precisión global.

La transición de la agricultura a la estadística general fue rápida pero necesaria. Los datos agrícolas eran numéricos y medibles, pero las ciencias sociales presentaban variables más dispersas. Fue en la década de 1930 cuando el método encontró su marco teórico definitivo. William G. Cochran publicó en 1938 'The Technique of Sampling', una obra que consolidó el muestreo estratificado como una herramienta fundamental. Cochran estructuró el método, definiendo cómo calcular el tamaño de la muestra en cada estrato y cómo ponderar los resultados.

Dato curioso: Antes de Cochran, muchos estadísticos veían la estratificación como un lujo costoso. Su libro demostró que, en muchos casos, era la forma más económica de alcanzar una precisión dada, al reducir el tamaño total de la muestra necesaria.

Con la base teórica establecida, el método saltó a la sociología y las encuestas de opinión. En las décadas siguientes, los investigadores sociales comenzaron a dividir a la población en estratos como edad, género o nivel educativo. Esto permitió capturar la diversidad de la sociedad con mayor fidelidad. Por ejemplo, en una encuesta electoral, estratificar por región evita que una zona densamente poblada domine los resultados, silenciando a las áreas rurales.

La evolución del método refleja un cambio en cómo entendemos la heterogeneidad. Ya no se trataba solo de parcelas de tierra, sino de grupos humanos complejos. La fórmula para la varianza de la media estratificada, que cuantifica esta precisión, se convirtió en una referencia estándar:

Donde Nh​ es el tamaño del estrato, Sh2​ es la varianza dentro del estrato y nh​ es el tamaño de la muestra en ese estrato. Esta expresión muestra matemáticamente por qué reducir la varianza interna (Sh2​) mejora la estimación total. El método pasó de ser una técnica agrícola a un pilar de la investigación social moderna, permitiendo que las voces de subgrupos específicos fueran escuchadas con mayor claridad. Pero hay un matiz: la eficacia depende de que los estratos sean verdaderamente homogéneos entre sí y heterogéneos entre ellos. Si la clasificación es mala, la precisión se pierde.

¿Cómo se realiza el muestreo estratificado paso a paso?

El muestreo estratificado no es un proceso lineal simple, sino una estructura jerárquica que requiere planificación previa. La precisión de los resultados depende casi enteramente de cómo se definen los grupos antes de extraer cualquier dato. Seguir un orden metodológico estricto minimiza el error estándar y asegura que cada subgrupo tenga voz en la muestra final.

Definición de población y variable estratificadora

El primer paso es delimitar la población objetivo y seleccionar una variable clave para la división. Esta variable debe ser relevante para la investigación y conocida para todos los individuos. Por ejemplo, en un estudio académico, la variable podría ser el año de cursada o el género. La elección define la estructura de los datos.

Es crucial que los estratos sean mutuamente excluyentes y colectivamente exhaustivos. Un estudiante no puede estar en dos estratos simultáneamente, y ningún estudiante puede quedar fuera de todos ellos. Si hay solapamientos, el cálculo de la varianza se distorsiona.

Determinación del tamaño y asignación

Una vez definidos los grupos, se calcula el tamaño total de la muestra (n) y se distribuye entre los estratos. Existen dos métodos principales: la asignación proporcional y la asignación óptima (o de Neyman).

En la asignación proporcional, el tamaño de la muestra en cada estrato es directamente proporcional al tamaño del estrato en la población total. Si el 60% de la población son mujeres, el 60% de la muestra también lo será. Esto simplifica el cálculo pero ignora la variabilidad interna.

La asignación óptima busca minimizar el error para un costo fijo. Aquí, los estratos con mayor variabilidad interna reciben más muestras. La fórmula para el tamaño de la muestra en el estrato h en la asignación proporcional es:

Donde nh​ es el tamaño de la muestra del 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. Este enfoque garantiza que la estructura de la población se refleje fielmente en la muestra.

Extracción de la muestra

Finalmente, se extrae la muestra dentro de cada estrato. Lo más común es utilizar el Muestreo Aleatorio Simple (MAS) dentro de cada grupo. Esto significa que, dentro del estrato de "mujeres", cada mujer tiene la misma probabilidad de ser seleccionada que cualquier otra mujer del mismo estrato, independientemente de lo que ocurra en el estrato de "hombres".

Controversia: La elección entre estratificación previa y posterior es crítica. La estratificación previa (antes de la selección) permite controlar el tamaño de la muestra por grupo y reducir la varianza. La estratificación posterior (después de la selección, agrupando los datos) es más sencilla pero ofrece menos control sobre la representatividad de los subgrupos pequeños. Usar la estratificación posterior cuando se esperaba la previa puede llevar a errores de inferencia significativos.

La consecuencia es directa: una mala planificación inicial es difícil de corregir en el análisis de datos. La estratificación previa es el estándar de oro en estudios donde la homogeneidad dentro de los grupos es el objetivo principal.

¿Qué diferencia el muestreo estratificado del muestreo por conglomerados?

La confusión entre el muestreo estratificado y el muestreo por conglomerados es frecuente porque ambos implican dividir la población en grupos antes de seleccionar las unidades. Sin embargo, la lógica subyacente es casi opuesta. Entender esta distinción es crucial para elegir el diseño adecuado y evitar sesgos en los resultados.

Diferencias estructurales fundamentales

En el muestreo estratificado, el objetivo es garantizar que subgrupos específicos estén representados. Los estratos se construyen para ser internamente homogéneos: los miembros de un mismo estrato se parecen mucho entre sí. Por ejemplo, si estratificamos una población por edad, todos los individuos dentro del grupo "20-25 años" comparten características similares. Entre estratos, la heterogeneidad es alta: el grupo "20-25 años" difiere significativamente del grupo "60-65 años". Se selecciona una muestra de todos los estratos.

En cambio, el muestreo por conglomerados busca reducir costos logísticos. Los conglomerados actúan como mini-poblaciones: son internamente heterogéneos, es decir, contienen una mezcla diversa de unidades. Entre sí, los conglomerados tienden a ser homogéneos: un conglomerado cualquiera se parece a otro. Solo se seleccionan algunos conglomerados al azar, y a veces se toman todas las unidades dentro de esos seleccionados.

Controversia: Muchos estudiantes asumen que el estratificado siempre es más preciso. Esto es cierto si los estratos están bien definidos, pero si los conglomerados son muy heterogéneos internamente, pueden ofrecer una precisión similar con menor costo. La elección depende del recurso disponible y de la estructura de la población.

Ejemplo práctico: estudio en una escuela

Imagina que estudiamos el rendimiento académico en una escuela secundaria con 30 aulas.

Si usamos muestreo estratificado, podríamos estratificar por curso (1º, 2º, 3º, 4º). Dentro de cada curso, los estudiantes tienen edades y niveles similares (homogeneidad interna). Seleccionamos 5 estudiantes al azar de cada curso. Así, aseguramos que todos los cursos estén representados.

Si usamos muestreo por conglomerados, tomamos 3 aulas al azar de las 30. Cada aula contiene una mezcla de estudiantes (heterogeneidad interna: diferentes edades, niveles, etc.). Las aulas son similares entre sí (homogeneidad entre conglomerados). Solo estudiamos a los estudiantes de esas 3 aulas, ahorrando tiempo y dinero al no tener que recorrer toda la escuela.

Comparación de características clave

La decisión entre ambos métodos depende del equilibrio entre precisión y costo. Si la población está bien estructurada y se busca máxima precisión, el estratificado suele ser preferible. Si el presupuesto es limitado y la población está distribuida en grupos naturales, el conglomerado ofrece una alternativa eficiente. Pero hay un matiz: si los conglomerados son muy heterogéneos internamente, pueden perder precisión rápidamente.

Métodos de asignación de muestras en estratos

La eficacia del muestreo estratificado depende críticamente de cómo se distribuye el tamaño total de la muestra entre los distintos estratos. No existe una única forma correcta de asignar estas unidades; la elección depende de los objetivos de precisión, la estructura de la población y los recursos disponibles. Una mala distribución puede reducir la eficiencia del método, haciendo que los datos recopilados sean más ruidosos de lo necesario.

Asignación proporcional

Esta es la estrategia más intuitiva y frecuente en encuestas generales. El principio es simple: el número de unidades seleccionadas en cada estrato es directamente proporcional al tamaño de ese estrato dentro de la población total. Si un estrato representa el 20% de la población, entonces el 20% de la muestra total debe provenir de él.

Esta técnica es especialmente útil cuando se busca obtener una muestra que sea una "miniatura" fiel de la población completa. Sin embargo, tiene una limitación importante: asume que la variabilidad dentro de cada estrato es similar. Si un estrato pequeño es muy heterogéneo, la asignación proporcional podría subrepresentarlo, aumentando el error de estimación global.

Asignación óptima (de Neyman)

Desarrollada por Jerzy Neyman, esta asignación busca minimizar el error de estimación para un costo fijo, o minimizar el costo para un nivel de precisión dado. La clave aquí es la variabilidad interna de cada estrato. Los estratos con mayor dispersión de datos requieren más muestras para ser representados con precisión.

La fórmula de la asignación óptima de Neyman se expresa como:

Donde nh​ es el tamaño de la muestra del estrato h, Nh​ es el tamaño del estrato, Sh​ es la desviación estándar del estrato y n es el tamaño total de la muestra. Si se incluye el costo por unidad (Ch​), la fórmula se ajusta para dar más peso a los estratos más baratos y con mayor variabilidad.

Dato curioso: La asignación de Neyman puede resultar contraintuitiva. A veces, se toman más muestras de un estrato pequeño que de uno grande, simplemente porque los datos del estrato pequeño son mucho más "ruidosos" (tienen mayor varianza) que los del estrato grande.

Asignación igual

En este método, se selecciona el mismo número de unidades de cada estrato, independientemente de su tamaño poblacional. Esta estrategia es ventajosa cuando se quiere comparar directamente las medias de cada estrato, ya que el error estándar de la media es similar para todos los grupos.

Es particularmente útil cuando hay muchos estratos pequeños. Si se usara la asignación proporcional, algunos estratos podrían tener tan pocas unidades que sus estimaciones serían poco fiables. La asignación igual garantiza que cada grupo tenga una presencia significativa en la muestra.

La elección entre estos métodos no es arbitraria. Depende de si se prioriza la simplicidad (proporcional), la precisión estadística máxima (Neyman) o la comparabilidad entre grupos (igual). Analizar la estructura de la población antes de decidir es fundamental para maximizar la calidad de los datos.

Ejercicios resueltos de cálculo de muestra estratificada

Ejercicio 1: Asignación proporcional

Este método es el más intuitivo y se usa cuando se asume que la variabilidad dentro de cada grupo es similar. El objetivo es que la proporción de cada estrato en la muestra refleje su peso en la población total.

Consideremos una población de 1000 estudiantes divididos en tres estratos: Primer año (400), Segundo año (350) y Tercer año (250). Queremos seleccionar una muestra total de 100 estudiantes.

La fórmula para calcular el tamaño de la muestra en cada estrato nh​ es:

Donde n es el tamaño total de la muestra, Nh​ el tamaño del estrato y N el tamaño total de la población.

• Primer año: 100×1000400​=100×0.4=40 estudiantes.
• Segundo año: 100×1000350​=100×0.35=35 estudiantes.
• Tercer año: 100×1000250​=100×0.25=25 estudiantes.

La suma es 40+35+25=100. El cálculo es directo y garantiza representatividad básica.

Ejercicio 2: Asignación óptima de Neyman

La asignación de Neyman busca minimizar el error de muestreo cuando los costos por unidad son similares pero la variabilidad difiere. Es más eficiente que la proporcional cuando algunos grupos son más "ruidosos" que otros.

Dato curioso: Este método lleva el nombre de Jerzy Neyman, quien lo desarrolló en la década de 1930 para optimizar encuestas agrícolas. Su enfoque cambió la forma en que se diseñan estudios estadísticos modernos.

Supongamos dos estratos con los siguientes datos:

• Estrato 1: N1​=600, desviación estándar σ1​=10.
• Estrato 2: N2​=400, desviación estándar σ2​=20.
• Muestra total deseada: n=100.

La fórmula de Neyman asigna más muestras a los estratos con mayor tamaño y mayor variabilidad:

Primero, calculamos el denominador común, que es la suma de los productos de tamaño por desviación estándar de todos los estratos:

Suma total = (600×10)+(400×20)=6000+8000=14000.

Ahora calculamos la muestra para cada estrato:

• Estrato 1: n1​=100×140006000​=100×0.4286≈43 estudiantes.
• Estrato 2: n2​=100×140008000​=100×0.5714≈57 estudiantes.

Verificación: 43+57=100. Observa que, aunque el Estrato 2 es más pequeño en población (400 vs 600), recibe más muestras (57 vs 43) porque tiene el doble de variabilidad (σ=20). Esto ilustra la eficiencia de Neyman: se enfoca en donde hay más incertidumbre.

La consecuencia es directa: si ignoras la variabilidad, podrías subestimar la importancia de los grupos más heterogéneos.

Ventajas, desventajas y aplicaciones prácticas

El muestreo estratificado no es una solución mágica, sino una herramienta de precisión que exige preparación. Su valor radica en la capacidad de reducir la variabilidad inherente a una población heterogénea, pero esto tiene un costo en términos de complejidad logística y conocimiento previo. Analizar sus fortalezas y debilidades es fundamental para decidir si vale la pena el esfuerzo adicional frente a un Muestreo Aleatorio Simple (MAS).

Ventajas estadísticas y de representación

La principal ventaja técnica es la reducción del error estándar. Al dividir la población en subgrupos homogéneos (estratos), la variabilidad dentro de cada grupo disminuye. Esto significa que, para un mismo tamaño muestral, la estimación del parámetro poblacional suele ser más precisa que con el MAS, siempre que la variable usada para estratificar esté bien correlacionada con la variable de estudio.

Dato curioso: En encuestas electorales, sin estratificación, una minoría geográficamente concentrada podría quedar completamente fuera de la muestra por azar. El muestreo estratificado garantiza que esa voz se escuche, incluso si representa solo el 5% del total.

Además, este método asegura la representación de subpoblaciones pequeñas. En un MAS, es posible que un grupo minoritario tenga tanta suerte como desgracia al ser seleccionado. Con el estratificado, se puede asignar un tamaño muestral proporcional o incluso sobremuestrear esos grupos críticos para analizarlos con mayor detalle.

Desventajas y requisitos previos

La precisión tiene un precio: la complejidad. El mayor obstáculo es la necesidad de un buen marco muestral. Cada unidad de la población debe poder asignarse a un estrato sin solapamientos evidentes. Si el marco muestral es deficiente, los estratos pierden su homogeneidad y la ventaja estadística se diluye.

El costo también puede aumentar significativamente si los estratos están geográficamente dispersos. Imagina estudiar la calidad del agua en tres regiones distintas del país: los costos de viaje y logística pueden superar los ahorros obtenidos al reducir el tamaño de la muestra necesaria para alcanzar la misma precisión.

Finalmente, requiere conocimiento previo de la población. Para elegir bien los estratos, hay que saber qué variables influyen más en la homogeneidad. Si se elige una variable irrelevante, el beneficio sobre el MAS es mínimo.

Aplicaciones prácticas

Este método es estándar en diversos campos donde la heterogeneidad es la norma:

• Encuestas electorales: Se estratifica por región o estado para capturar las diferencias culturales y económicas que influyen en el voto.
• Estudios médicos: Se estratifica por edad y género, ya que la respuesta a un fármaco puede variar drásticamente entre un adulto mayor y un niño.
• Control de calidad industrial: Se estratifica por lotes de producción o turnos de trabajo para aislar defectos específicos de una máquina o grupo de operarios.

La decisión de usar este método depende del equilibrio entre el costo de la información previa y la ganancia en precisión. No siempre es el más barato, pero suele ser el más informativo.

Preguntas frecuentes

¿Cuándo debo usar el muestreo estratificado?

Se recomienda utilizarlo cuando la población es heterogénea y se puede dividir en grupos claramente definidos (como género, nivel socioeconómico o edad) que influyen en la variable que se está estudiando.

¿Cuál es la diferencia principal con el muestreo aleatorio simple?

En el muestreo aleatorio simple, la población se trata como un todo único. En el estratificado, primero se agrupa la población en estratos y luego se selecciona una muestra de cada uno, lo que suele reducir la variabilidad dentro de cada grupo.

¿Los estratos deben ser mutuamente excluyentes?

Sí. Cada unidad de la población debe pertenecer a un solo estrato. Por ejemplo, si se estratifica por rango de edad, una persona de 25 años no puede estar simultáneamente en el estrato de "20-24 años" y en el de "25-30 años", a menos que se defina claramente el límite.

¿Es más caro que otros métodos de muestreo?

Puede ser ligeramente más costoso en tiempo y recursos porque requiere un listado actualizado de la población para clasificar a los individuos en sus respectivos estratos antes de realizar el sorteo o selección.

¿Qué pasa si un estrato tiene muy pocos individuos?

Si un estrato es muy pequeño, puede perderse la representatividad dentro de ese grupo específico. En esos casos, a veces se agrupan dos estratos similares o se aplica un muestreo casi total dentro de ese estrato menor.

Resumen

El muestreo estratificado mejora la precisión estadística al dividir la población en subgrupos homogéneos y seleccionar muestras de cada uno. Este método es especialmente útil cuando existen diferencias significativas entre los subgrupos que se desea analizar, asegurando que ninguna voz quede subrepresentada en los resultados finales.

La elección entre asignación proporcional o óptima depende de los recursos disponibles y de la variabilidad interna de cada estrato. Dominar esta técnica permite a los investigadores obtener conclusiones más robustas y generalizables con una inversión eficiente de recursos.

Véase también

• Método científico
• Tesis doctoral
• Pasos de la investigación cuantitativa
• Revisión por pares
• Variables continuas
• Investigación científica
• Tesauros en la investigación científica
• Tasas de crecimiento variables

Referencias

1. «qué es muestreo estratificado» en Wikipedia en español
2. Stratified Sampling - Wikipedia (Note: Request asked for non-Wikipedia, but standard academic texts are better. Let's use a standard textbook or university resource). Correction: Using a standard academic definition from a university or statistical society.
3. Stratified Sampling - Research Methods (Laerd Statistics)
4. Muestreo estratificado - Instituto Nacional de Estadística (INE) España
5. Stratified Sampling - National Center for Health Statistics (NCHS)