Tipos de muestreo estratificado

El muestreo estratificado es una técnica de muestreo por etapas múltiples 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 sus características, este método garantiza que grupos específicos estén representados proporcionalmente o de forma desproporcionada según los objetivos del estudio.

La clave de esta metodología radica en la selección de estratos que sean internamente homogéneos pero entre sí heterogéneos. Al reducir la variabilidad dentro de cada grupo, se logra una mayor precisión estadística con un tamaño de muestra reducido en comparación con otros métodos. Esta técnica es fundamental en ciencias sociales, encuestas de opinión y estudios de mercado donde la diversidad de la población es alta.

Definición y concepto

El muestreo estratificado es un método de selección de muestras que pertenece a la familia de los diseños probabilísticos. En esta técnica, la población total no se trata como una masa única e indiferenciada, sino que se divide previamente en subgrupos internos llamados estratos. La característica definitoria de cada estrato es la homogeneidad de sus miembros respecto a una o varias variables clave, mientras que la heterogeneidad aumenta al comparar diferentes estratos entre sí.

La lógica subyacente es sencilla pero poderosa: si agrupamos elementos similares, reducimos la variabilidad dentro de cada grupo. Esto permite que, al extraer una muestra de cada estrato, la representación global sea más precisa que si hubiéramos seleccionado al azar sin considerar esas diferencias internas. Es fundamental entender que esta división en estratos es una decisión de diseño tomada por el investigador antes de extraer la primera unidad muestral.

El concepto de estrato

Un estrato es una subpoblación mutuamente excluyente y colectivamente exhaustiva. Esto significa que cada individuo de la población pertenece a un solo estrato y, juntos, todos los estratos componen la totalidad de la población. La selección de la variable para estratificar es crítica; generalmente se elige una variable altamente correlacionada con la variable dependiente que se desea estudiar. Por ejemplo, en un estudio de ingresos salariales, estratificar por "nivel educativo" suele ser más efectivo que hacerlo por "color de ojos", porque la educación influye directamente en el salario.

La eficiencia del método radica en que se minimiza el error estándar de la estimación. Al asegurar que cada subgrupo esté representado proporcionalmente (o según otras reglas de asignación), se evitan las fluctuaciones aleatorias que podrían dejar fuera a grupos minoritarios pero influyentes.

Diferencias con otros diseños de muestreo

Es común confundir el muestreo estratificado con el muestreo aleatorio simple (MAS) o con el muestreo por conglomerados. Aclarar estas diferencias es esencial para elegir el diseño correcto.

En el muestreo aleatorio simple, cada unidad de la población tiene la misma probabilidad de ser seleccionada, independientemente de sus características. No hay agrupación previa. El riesgo del MAS es que, por pura casualidad, un subgrupo pequeño quede subrepresentado o incluso ausente en la muestra. El muestreo estratificado corrige esto al forzar la presencia de cada estrato.

La confusión más frecuente ocurre con el muestreo por conglomerados. Aunque ambos implican dividir la población en grupos, la naturaleza de esos grupos es casi opuesta. En el muestreo estratificado, buscamos que los miembros dentro de cada estrato sean lo más similares posible (homogéneos). En el muestreo por conglomerados, cada conglomerado debería ser una miniatura de la población total, es decir, internamente heterogéneos. Además, en la estratificación se suele tomar una muestra de todos los estratos, mientras que en los conglomerados a menudo se seleccionan solo algunos grupos completos.

Dato curioso: La eficacia del muestreo estratificado depende directamente de qué tan bien se elige la variable de estratificación. Si los estratos son casi idénticos entre sí, el método pierde su ventaja sobre el muestreo aleatorio simple.

La decisión de usar este diseño implica un costo adicional en la organización previa de la población, pero el retorno en precisión estadística suele justificar el esfuerzo, especialmente cuando la población de estudio es grande y diversa. La consecuencia es directa: mayor precisión con el mismo tamaño muestral, o el mismo nivel de precisión con una muestra más pequeña.

Historia y evolución del método

El muestreo estratificado no nació como una teoría abstracta, sino como una respuesta práctica a la necesidad de reducir errores en mediciones complejas. Aunque los estadísticos lo han refinado durante décadas, sus raíces prácticas se remontan a las primeras décadas del siglo XX, cuando la recolección de datos masivos comenzaba a abrumar a los censistas y agrónomos.

Una de las primeras aplicaciones documentadas y sistemáticas ocurrió en el ámbito agrícola. En 1920, William A. Falconer aplicó este método para analizar la variabilidad de cultivos. En lugar de tratar un campo entero como una unidad homogénea, Falconer dividió la tierra en estratos basados en características del suelo y la exposición al sol. Esta división permitió identificar que la variación dentro de cada estrato era menor que la variación entre ellos, reduciendo significativamente el error estándar de la media. Su trabajo demostró que, al agrupar unidades similares, se podía obtener una estimación más precisa con menos esfuerzo de campo.

El marco matemático de Neyman

Si bien Falconer aportó la intuición práctica, fue Jerzy Neyman quien proporcionó la estructura matemática rigurosa en 1934. En su artículo fundacional, Neyman demostró cómo distribuir el tamaño de la muestra entre los diferentes estratos para minimizar el error de muestreo, dado un costo fijo. Este concepto, conocido como distribución óptima de Neyman, establece que los estratos con mayor variabilidad interna deben recibir más observaciones.

La fórmula que define esta distribución óptima asigna un tamaño de muestra proporcional al producto del tamaño del estrato y su desviación estándar:

nh=n⋅∑i=1LNiSiNhSh

Donde nh es el tamaño de la muestra en el estrato h, Nh es el tamaño total del estrato, Sh es la desviación estándar del estrato y n es el tamaño total de la muestra. Esta ecuación cambió la forma en que los estadísticos planificaban las encuestas, pasando de una selección casi aleatoria a una estrategia ponderada.

Dato curioso: Antes de que Neyman publicara su teoría, muchos estadísticos creían que el muestreo aleatorio simple era casi siempre suficiente. El trabajo de Neyman demostró que ignorar la estructura interna de la población podía costar hasta un 30% de precisión en ciertos estudios demográficos.

Aplicación en los censos estadounidenses

La teoría encontró su campo de batalla ideal en los Censos de Población de Estados Unidos a principios del siglo XX. A medida que la población estadounidense crecía, el costo de encuestar a cada individuo aumentaba exponencialmente. Los estadísticos del Bureau del Censo comenzaron a experimentar con la estratificación geográfica y socioeconómica para capturar la diversidad de una nación en expansión.

Se dividía el país en regiones (Norte, Sur, Oeste) y luego en subregiones basadas en la densidad urbana. Esto permitía que las áreas rurales, a menudo subrepresentadas en un muestreo simple, tuvieran un peso adecuado en las estimaciones nacionales. La implementación exitosa en los censos de 1940 y 1950 consolidó el muestreo estratificado como el estándar de oro para las encuestas por muestreo, influyendo en cómo se miden las opiniones públicas y los indicadores económicos hasta la actualidad.

La evolución del método muestra un claro tránsito de la intuición empírica a la optimización matemática. Lo que comenzó como una forma práctica de agrupar datos agrícolas se convirtió en una herramienta fundamental para entender la estructura social y económica de naciones enteras.

¿Cuáles son los tipos de muestreo estratificado?

El muestreo estratificado no es un bloque único; su eficacia depende de cómo se asignen las unidades de muestra a cada estrato. Existen tres enfoques principales, cada uno diseñado para resolver un problema estadístico distinto. Elegir uno sobre otro cambia radicalmente el costo, la precisión y la interpretación de los resultados.

Muestreo estratificado proporcional

Esta es la variante más intuitiva y frecuente. El tamaño de la muestra extraída de cada estrato es directamente proporcional al tamaño del estrato en la población total. Si un estrato representa el 20% de la población, la muestra debe contener el 20% de las unidades seleccionadas. La fórmula para determinar el tamaño de muestra en el estrato i es:

ni=n×NNi

Donde ni es el tamaño de muestra del estrato, n es el tamaño total de la muestra, Ni es el tamaño del estrato y N es el tamaño total de la población. Este método garantiza que la muestra refleje fielmente la estructura de la población. Es ideal cuando los estratos tienen varianzas similares entre sí y el objetivo principal es obtener estimaciones globales sin sesgos de peso. No requiere conocer la varianza interna de cada estrato con mucha precisión, lo que simplifica la logística.

Muestreo estratificado óptimo (desproporcional)

También conocido como muestreo de tamaño óptimo o de Neyman, este enfoque busca maximizar la precisión estadística para un costo fijo, o minimizar el costo para una precisión dada. Aquí, los estratos no se muestrean proporcionalmente a su tamaño, sino en función de su tamaño y su variabilidad interna. Se asignan más unidades a los estratos que son más grandes y más heterogéneos. La fórmula para el tamaño óptimo en el estrato i es:

ni=n×∑(Njσj)Niσi

Donde σi es la desviación estándar del estrato i. Este método es más complejo porque requiere estimar la varianza de cada estrato antes de muestrear. Es la elección cuando el costo por unidad de muestra es similar en todos los estratos y se busca reducir el error estándar de la media poblacional. La consecuencia es directa: se obtiene mayor precisión que con el método proporcional, pero a cambio de un análisis previo más detallado.

Dato curioso: El estadístico Jerzy Neyman desarrolló esta fórmula en 1934. Su intuición fue simple: si un grupo es muy grande pero muy uniforme (baja varianza), no necesitas estudiar a tantos de sus miembros para conocerlo bien. La eficiencia nace de la variabilidad.

Muestreo estratificado con tamaño constante

En este caso, se extrae el mismo número de unidades de cada estrato, independientemente de su tamaño o varianza. Si hay cinco estratos y se quieren 100 unidades en total, cada estrato aporta 20 unidades. Este método es útil cuando se desean comparaciones detalladas entre los propios estratos, más que una estimación global ponderada. También se emplea cuando los costos de muestreo varían significativamente entre estratos, permitiendo ajustar la muestra para equilibrar el gasto. Sin embargo, para estimar la media de toda la población, requiere el uso de pesos inversos a los tamaños de los estratos para corregir el sesgo. No es el más eficiente para la media general, pero ofrece claridad en el análisis comparativo entre subgrupos.

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

Determinar cuántas unidades observar en cada estrato es el paso crítico que define la precisión del estudio. No basta con dividir la muestra al azar; la distribución debe responder a objetivos estadísticos específicos. Existen dos enfoques principales: el muestreo proporcional, que busca simplicidad y representatividad directa, y el muestreo óptimo de Neyman, que prioriza la precisión estadística ajustando el tamaño según la variabilidad interna.

Muestreo proporcional

Este método asigna un número de muestras a cada estrato directamente proporcional a su tamaño poblacional. Es la opción más intuitiva y fácil de explicar a los stakeholders. La lógica es simple: si un estrato representa el 20% de la población total, debe aportar el 20% de las unidades de la muestra. Esto garantiza que la media de la muestra sea un estimador insesgado de la media poblacional, incluso si las varianzas dentro de los estratos difieren ligeramente.

La fórmula es directa:

nh=(NNh)×n

Donde nh es el tamaño de la muestra en el estrato h, Nh es el tamaño total de ese estrato en la población, N es el tamaño total de la población estratificada y n es el tamaño total deseado para la muestra. Este enfoque funciona bien cuando el costo de muestrear una unidad es similar en todos los estratos y la variabilidad interna no es extremadamente dispar.

Muestreo óptimo de Neyman

Propuesto por Jerzy Neyman en la década de 1930, este método busca minimizar la varianza del estimador de la media para un tamaño de muestra fijo. Es más sofisticado que el proporcional porque considera que no todos los estratos son igualmente "ruidosos". Si un estrato tiene una desviación estándar alta (muchas diferencias entre sus miembros), merece más muestras para capturar esa variabilidad con precisión.

La fórmula de Neyman asigna más peso a los estratos más grandes y más variables:

nh=∑i=1kNiSiNhSh×n

Aquí, Sh representa la desviación estándar dentro del estrato h. El denominador suma el producto del tamaño por la desviación estándar de todos los estratos (de 1 a k). La consecuencia es directa: si un estrato es pequeño pero muy variable (alto Sh), recibirá más muestras de las que le daría el método proporcional. Esto es crucial en estudios donde la precisión es más cara que el tiempo de recolección.

Dato curioso: El método de Neyman asume que el costo de observar una unidad es el mismo en todos los estratos. Si el costo varía (por ejemplo, encuestar a ejecutivos es más caro que a empleados junior), se debe usar una extensión de la fórmula que incluya el costo unitario ch en el numerador y denominador.

Comparación de métodos

Elegir entre proporcional y Neyman depende de los recursos y la estructura de los datos. La siguiente tabla resume las diferencias clave para facilitar la decisión.

Característica	Muestreo Proporcional	Muestreo Óptimo de Neyman
Fórmula clave	nh = (Nh/N) × n	nh = (NhSh / ΣNiSi) × n
Factor de ajuste	Solo el tamaño del estrato (Nh)	Tamaño (Nh) y variabilidad (Sh)
Mejor uso	Cuando los costos son iguales y las varianzas son similares entre estratos.	Cuando se busca máxima precisión (menor varianza) y las varianzas difieren significativamente.
Complejidad de cálculo	Baja. Solo requiere conocer los tamaños poblacionales.	Media/Alta. Requiere estimar la desviación estándar Sh de cada estrato, a menudo mediante una muestra piloto.

En la práctica, muchos investigadores comienzan con el método proporcional por su simplicidad. Sin embargo, si los datos preliminares revelan que un estrato minoritario tiene una variabilidad desproporcionada, el ajuste de Neyman puede reducir el error estándar total considerablemente. La elección no es solo matemática, sino también logística: conocer Sh con antelación a veces exige un esfuerzo de muestreo previo que puede no estar en el presupuesto.

Ventajas y limitaciones del método

El muestreo estratificado no es una solución mágica, pero ofrece ventajas estadísticas claras sobre el Muestreo Aleatorio Simple (MAS). La principal razón para elegirlo es la reducción del error estándar. Al asegurar que cada subpoblación esté representada, se minimiza la variabilidad dentro de cada grupo. Esto significa que, para un mismo tamaño de muestra, la estimación del parámetro poblacional suele ser más precisa.

La precisión aumenta porque la varianza total de la media muestral se reduce cuando la varianza dentro de los estratos es menor que la varianza total de la población. Matemáticamente, si los estratos son homogéneos internamente, el término de error disminuye significativamente. Esto permite obtener resultados más afilados sin necesariamente duplicar el tamaño de la muestra.

Además, garantiza la representación de subgrupos pequeños. En un MAS, es posible que un grupo minoritario quede casi sin representación por pura suerte. Con la estratificación, se puede asignar un número fijo de unidades a cada estrato. Esto es vital cuando se estudian grupos demográficos específicos, como minorías étnicas o especialistas en un campo amplio.

La eficiencia en costos también es un factor relevante. A menudo, los datos se recogen por separado en cada estrato. Esto permite optimizar los recursos: se puede usar una encuesta cara para un grupo pequeño y una encuesta más económica para un grupo grande. La flexibilidad en la asignación de muestras reduce el gasto total sin sacrificar mucha precisión.

Limitaciones prácticas y complejidad

A pesar de sus beneficios, el método tiene un costo inicial alto. La primera barrera es la necesidad de una lista de muestreo completa. No basta con tener una lista general; se necesita una lista separada para cada estrato. Si la población no está bien definida, la estratificación se vuelve engorrosa. Sin una buena lista, se corre el riesgo de que algunas unidades queden fuera o se repitan.

La definición de estratos no superpuestos es otro desafío. Los estratos deben ser mutuamente excluyentes y colectivamente exhaustivos. Si los criterios no son claros, una unidad puede pertenecer a dos estratos o quedar sin hogar. Esto requiere un análisis previo de la población para elegir variables de estratificación relevantes, como la edad o el nivel de ingresos.

La complejidad en el cálculo y la organización también aumenta. No todos los investigadores tienen acceso a herramientas estadísticas avanzadas para calcular los tamaños de muestra óptimos. Además, si los estratos son demasiados o demasiado pequeños, la gestión de los datos se vuelve compleja. Esto puede llevar a errores en el peso de las muestras finales.

Debate actual: Algunos estadísticos argumentan que, con el auge del muestreo por conglomerados, la estratificación pierde terreno en estudios geográficos extensos. Sin embargo, en estudios donde la homogeneidad interna es clave, sigue siendo insuperable.

En resumen, el muestreo estratificado es una herramienta poderosa pero exigente. Requiere planificación previa y datos de calidad. Si la población es muy heterogénea y bien documentada, las ventajas superan a las limitaciones. Si no, el esfuerzo puede no valer la pena. La decisión debe basarse en el objetivo del estudio y los recursos disponibles.

Aplicaciones prácticas en investigación

El muestreo estratificado se emplea cuando la población de estudio presenta subgrupos internos con características distintas. En lugar de confiar en la suerte del azar puro, este método garantiza que cada subgrupo esté representado proporcionalmente. Esta precisión es vital en múltiples disciplinas donde la homogeneidad aparenta ocultar diferencias críticas.

Encuestas electorales y ciencias sociales

En las encuestas de opinión, la población rara vez es uniforme. Los demógrafos suelen dividir a los votantes por región geográfica o rango de edad. Si se usa un muestreo aleatorio simple, es posible que una región con pocos habitantes quede subrepresentada o que la muestra carezca de suficientes jóvenes para analizar su comportamiento de voto. Al estratificar, se asegura que cada bloque demográfico tenga el peso estadístico adecuado. Esto reduce el error estándar de la media, mejorando la precisión de las proyecciones finales.

Control de calidad industrial

En la industria, los productos a menudo se fabrican en turnos o líneas distintas. Un lote producido por la Maquina A puede tener ligeras variaciones respecto al de la Maquina B. Si se seleccionan piezas al azar de toda la producción, se puede perder la señal de una falla específica de una línea. El muestreo estratificado permite analizar cada fuente de variación por separado. Los ingenieros toman muestras de cada turno, asegurando que ninguna fuente de error pase desapercibida. La consecuencia es directa: se detectan defectos sistemáticos antes de que lleguen al consumidor.

Dato curioso: En la industria farmacéutica, este método ayuda a detectar si un lote específico de materia prima afecta la eficacia del medicamento, algo que un muestreo simple podría diluir en el ruido general.

Investigación médica y ensayos clínicos

Los tratamientos médicos no siempre afectan a todos los pacientes de la misma manera. Los investigadores estratifican los ensayos clínicos por género, edad o historial familiar. Esto permite comparar grupos de control y tratamiento dentro de cada estrato. Si no se hace así, un efecto secundario frecuente en mujeres mayores podría perderse si los hombres jóvenes dominan la muestra. Este enfoque revela interacciones específicas entre la variable de tratamiento y las características del paciente. La precisión diagnóstica mejora significativamente al aislar estas variables.

Investigación educativa

En educación, el nivel socioeconómico influye fuertemente en el rendimiento académico. Los educadores estratifican a los estudiantes por este factor para evaluar la eficacia de un nuevo método de enseñanza. Si se mezcla a todos los alumnos sin distinguir su contexto, las diferencias de rendimiento pueden atribuirse erróneamente al método, cuando en realidad reflejan disparidades externas. Al mantener constante el nivel socioeconómico dentro de cada grupo de comparación, se aísla mejor el efecto de la intervención educativa. Esto permite tomar decisiones de política pública con mayor fundamento.

El muestreo estratificado es preferible al aleatorio simple cuando se busca reducir la variabilidad dentro de los subgrupos. Al homogeneizar los estratos, la diferencia entre las medias de la muestra y la población disminuye. Esto se refleja en la reducción del error estándar, lo que conduce a intervalos de confianza más estrechos. La inversión en la identificación de los estratos suele valer la pena por la ganancia en precisión estadística.

Ejercicios resueltos

Ejercicio 1: Muestreo estratificado proporcional

En un muestreo proporcional, el tamaño de la muestra en cada estrato es directamente proporcional al tamaño del estrato en la población total. Esto garantiza que la estructura de la población se refleje fielmente en la muestra.

Consideremos una universidad con una población estudiantil total de N = 2000 alumnos. Esta población se divide en dos estratos:

Estrato 1 (Ingenierías): N_1 = 1200 alumnos.
Estrato 2 (Humanidades): N_2 = 800 alumnos.

Se desea seleccionar una muestra total de n = 200 estudiantes. Para hallar el tamaño de la muestra en cada estrato (n_h), utilizamos la fórmula de proporcionalidad:

nh=n×NNh

Aplicamos el cálculo para el Estrato 1 (Ingenierías):

n1=200×20001200=200×0.6=120

Para el Estrato 2 (Humanidades):

n2=200×2000800=200×0.4=80

La interpretación es directa: al haber más ingenieros en la población general, deben representar la mayor parte de la muestra. Se seleccionan 120 ingenieros y 80 humanistas. La suma coincide con el total deseado: 120 + 80 = 200.

Ejercicio 2: Muestreo óptimo de Neyman

El muestreo de Neyman busca minimizar el error de estimación para un costo fijo, asignando más muestras a los estratos con mayor variabilidad. Esto es crucial cuando los estratos no son homogéneos entre sí.

Supongamos una población de N = 1000 empleados dividida en dos estratos:

Estrato A (Directivos): N_A = 200, con una desviación estándar de salarios S_A = 5000.
Estrato B (Empleados): N_B = 800, con una desviación estándar de salarios S_B = 1500.

El tamaño total de la muestra es n = 100. La fórmula para el tamaño óptimo en cada estrato es:

nh=n×∑i=1kNiSiNhSh

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

∑NiSi=(200×5000)+(800×1500)=1,000,000+1,200,000=2,200,000

Ahora calculamos n_A:

nA=100×2,200,000200×5000=100×2,200,0001,000,000≈45.45

Y calculamos n_B:

nB=100×2,200,000800×1500=100×2,200,0001,200,000≈54.55

Redondeamos a los números enteros más cercanos que sumen 100: n_A = 45 y n_B = 55.

Debate actual: Aunque el muestreo de Neyman es matemáticamente óptimo para reducir la varianza, su principal limitación práctica es que requiere conocer la desviación estándar de cada estrato antes de muestrear. A menudo, esto obliga a realizar un "muestreo piloto" previo, lo que incrementa el costo total. Si la variabilidad de los estratos es similar, el muestreo proporcional suele ser suficiente y más sencillo de gestionar.

La consecuencia es clara: aunque el Estrato A es más pequeño (200 vs 800), su alta variabilidad salarial (5000 vs 1500) justifica que casi la mitad de la muestra provenga de él. Si hubiéramos usado el método proporcional, solo habríamos tomado 20 directivos, lo que podría haber subestimado la dispersión real de los salarios en la empresa. Este ejemplo ilustra por qué la variabilidad, no solo el tamaño, es un factor decisivo en el diseño de muestras precisas.

Preguntas frecuentes

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

En el muestreo aleatorio simple, la población se trata como un todo único. En el estratificado, se divide primero en subgrupos (estratos) basados en características comunes (edad, género, ingresos) y luego se muestrea dentro de cada uno. Esto asegura que subpoblaciones pequeñas no queden ocultas por las más grandes.

¿Cuándo debo usar muestreo estratificado proporcional frente al desproporcionado?

Usa el proporcional si quieres que la estructura de la muestra refleje fielmente la estructura de la población total. Usa el desproporcionado cuando quieras dar más peso a un estrato específico (por ejemplo, un grupo minoritario) para analizarlo con mayor detalle, ajustando los resultados con factores de ponderación al final.

¿Es necesario que los estratos sean mutuamente excluyentes?

Sí, idealmente cada unidad de la población debe pertenecer a un solo estrato para evitar solapamientos. Por ejemplo, si estratificas por edad, un sujeto de 25 años no debería caer en el grupo de 20-24 y en el de 25-30 simultáneamente, a menos que se defina claramente el límite (ej. 20-24.9).

¿Puede el muestreo estratificado reducir el error estándar?

Sí, es una de sus mayores ventajas. Al agrupar individuos similares, la varianza dentro de cada estrato disminuye. Si la selección dentro de los estratos es eficiente, el error estándar total de la muestra suele ser menor que el de un muestreo aleatorio simple del mismo tamaño.

¿Qué pasa si olvidamos incluir un estrato importante?

Si un estrato relevante queda fuera, la muestra puede volverse sesgada. Por ejemplo, en un estudio sobre tecnología móvil que excluye a los mayores de 65 años, los resultados podrían subestimar la importancia de la simplicidad de la interfaz, ignorando a un segmento clave del mercado.

Resumen

El muestreo estratificado mejora la precisión de las investigaciones al dividir la población en subgrupos homogéneos. Permite controlar la representación de subpoblaciones clave y reducir el error muestral en comparación con métodos más simples. La elección entre proporcional o desproporcionado depende de si el objetivo es reflejar la estructura poblacional o profundizar en grupos específicos.