CONFERENCIA DEL CATEDRÁTICO FRANKLIN ONÉSIMO TAVÁREZ SÁNCHEZ
TEMA IV: TÉCNICA DE MUESTREO DESCARGA:
PLAY:
VIDEO:
—————————————————————-
5.1 Introducción
«El muestreo no es un atajo, es una brújula que nos orienta en el vasto mar de datos», así inicia el maestro Franklin Onésimo Tavárez Sánchez esta reflexión dirigida a estudiantes de Investigación de Mercados I y a emprendedores dominicanos. En la ciencia de los mercados, muestrear con rigor es garantizar decisiones con base sólida. Según Malhotra (2008), en su obra Investigación de mercados, el muestreo es el proceso de seleccionar un subconjunto representativo de una población para hacer inferencias sobre el todo. En palabras del maestro Tavárez: «Sin un buen muestreo, todo el edificio de la investigación se tambalea, como una empresa sin contabilidad clara». Un ejemplo lo encontramos en la empresa dominicana Rica, que realiza muestreos regulares entre sus consumidores para afinar su mezcla de productos.
5.2 Conceptos de muestreo
5.2.1 Definiciones básicas del muestreo estadístico
Kish (1965), en Survey Sampling, define el muestreo estadístico como la técnica de obtener datos de una parte para estimar características del todo. El maestro Franklin Onésimo comenta: «Muestrear es democratizar la información: dar voz a una parte para que hable por el conjunto». En prácticas empresariales dominicanas, Helados Bon utiliza encuestas de muestreo para analizar cambios en preferencias de sabores entre estaciones del año.
5.2.2 El proceso maestral
El proceso de muestreo consta de pasos sistemáticos: definir la población, establecer el marco muestral, seleccionar la muestra y recolectar datos. Aaker et al. (2007), en Marketing Research, estructuran este proceso de forma detallada. El maestro Onésimo señala: «El proceso de muestreo debe ser tan meticuloso como la elaboración de un plan de negocios». Por ejemplo, la empresa La Sirena estructura sus estudios de mercado en zonas urbanas utilizando marcos muestrales detallados por barrio y tipo de consumidor.
5.3 El muestreo determinístico
5.3.1 Muestreo de conveniencia
Este tipo selecciona personas por facilidad de acceso. Burns y Bush (2010), en Marketing Research, alertan que este método puede generar sesgos. El maestro Tavárez reflexiona: «Conveniencia no debe ser sinónimo de descuido metodológico». Un ejemplo lo vemos cuando emprendedores dominicanos aplican encuestas solo a familiares, comprometiendo así la validez de sus datos.
5.3.2 Muestreo selectivo
Se eligen individuos con características específicas. Según Churchill y Iacobucci (2005), este enfoque es útil cuando se estudian nichos. Tavárez Sánchez afirma: «El muestreo selectivo es como escoger a los mejores jugadores para un partido específico». En el caso de Cerveza Presidente, se selecciona estratégicamente consumidores jóvenes de eventos masivos para medir engagement.
5.3.3 Muestreo de juicio o criterios
Se basa en el criterio del investigador. Zikmund (2003) plantea que la experiencia del investigador es clave, pero puede introducir sesgo. El maestro Tavárez dice: «El juicio experto debe ir acompañado de humildad metodológica». En el caso de Grupo Ramos, seleccionan expertos en consumo para evaluar marcas propias.
5.3.4 Muestreo de cuota
Consiste en seleccionar personas según proporciones establecidas. Malhotra (2008) lo considera útil para garantizar representación demográfica. Franklin Onésimo agrega: «Una cuota bien definida evita que ciertos segmentos sociales sean invisibles». La empresa Tropigas, por ejemplo, segmenta sus encuestas según regiones geográficas y niveles de ingreso.
5.4 El muestreo probabilístico
5.4.1 Representatividad y confiabilidad
Keller (2012), en Estadística para administración, resalta que la representatividad es crucial para generalizar resultados. Tavárez afirma: «Lo que no representa, no puede hablar en nombre de todos». La empresa Claro realiza estudios probabilísticos para garantizar que sus campañas respondan a las expectativas de todo el país.
5.4.2 Muestreo fijo frente a muestreo secuencial
En el muestreo fijo, el tamaño es preestablecido; en el secuencial, se ajusta según los resultados. Según Cochran (1977), el muestreo secuencial permite decisiones más dinámicas. El maestro Tavárez señala: «La flexibilidad es una virtud cuando está guiada por la evidencia». En Cormidom, se aplican ambos tipos para evaluar satisfacción laboral y adaptar procesos.
5.4.3 Diseños estadísticos
Los diseños estadísticos permiten elegir cómo se seleccionará la muestra. Dillman (2000) explica que un buen diseño incrementa precisión. Franklin Onésimo reflexiona: «Diseñar bien es planificar el futuro con números». Codetel implementa diseños estadísticos combinados para medir calidad de servicio.
5.4.4 Muestreo simple
Todos los elementos tienen la misma probabilidad. Levin y Rubin (2010) lo presentan como el modelo más básico y justo. Tavárez afirma: «Lo simple puede ser poderoso, si se ejecuta con método». En Industrias Banilejas, sortean a sus clientes para aplicar encuestas con muestreo simple.
5.4.5 Muestreo aleatorio sistemático
Selecciona cada «n»-ésimo individuo del marco. Sarndal et al. (1992) lo destacan como práctico y eficiente. El maestro dice: «Sistematizar aleatoriedad es un arte que evita el caos». En Farmacias Carol, se aplica para sondeos periódicos con base en facturación.
5.4.6 Muestreo estratificado
La población se divide en estratos homogéneos. Lohr (2010) explica que reduce la variabilidad. Tavárez comenta: «Los estratos permiten que cada voz tenga su volumen proporcional». En Banco Popular, se estratifica por edad y nivel de ingreso para estudios de producto.
5.4.7 Muestreo por conglomerados
Se eligen grupos enteros, no individuos. Según Fowler (2009), es útil en poblaciones dispersas. Onésimo señala: «Conglomerar es simplificar, pero sin perder la esencia». El INABIE lo usa para evaluar programas escolares por centros educativos.
5.4.8 El error en el muestreo aleatorio
Todo muestreo conlleva error. Groves et al. (2009) advierten sobre su control y estimación. Tavárez reflexiona: «El error no es enemigo, es un recordatorio de que siempre podemos mejorar». En el caso de INDOTEL, ajustan márgenes de error al analizar penetración tecnológica.
5.4.9 Problemas de diseño estadístico
Entre ellos: sesgo, tamaño inadecuado, marco incorrecto. Según Babbie (2010), todo diseño requiere validación continua. Franklin Onésimo concluye: «Los problemas de diseño no son fracasos, son oportunidades de aprendizaje estadístico». En el Ministerio de Economía, corrigen y rediseñan encuestas nacionales para mejorar fiabilidad.
