Los sujetos que integrarán la muestra se seleccionan aleatoriamente, mediante sorteo o tabla de números aleatorios.

Sólo es necesaria una aproximación del tamaño del universo en estudio.

A partir de la muestra seleccionada se calculan los estadísticos de interés.

Se requiere un marco muestral o lista de los sujetos en el universo.

Permite obtener muestras representativas y habilita el uso de la estadística inferencial en el análisis de los datos. 

Tiende a producir muestras representativas

Todas las posibles combinaciones de las unidades de la muestra tienen la misma oportunidad de ser seleccionadas. 

Suele ser más sencillo de utilizar que otros procedimientos del muestreo probabilístico, y también, de comunicar a otros. 

Los procedimientos estadísticos necesarios para analizar datos y calcular errores, son más simples que los requeridos por otros tipos de muestreos probabilísticos.

Se requiere conocer el marco de muestreo de elementos de la población objetivo y puede que no exista uno apropiado para la población en cuestión. 

No se aprovecha del conocimiento que el investigador podría tener de la población.

El muestreo aleatorio simple tiende a presentar errores de muestreo más grandes y menor precisión. 

Puede ocurrir que los encuestados estén muy dispersos, y los costos de la recolección pueden incrementarse frente a otros posibles diseños. 

Si algunos subgrupos de la población presentan intereses particulares, no pueden ser incluidos con un número representativo en la muestra.

Mayor precisión: Como se mencionó, al reducir la variabilidad dentro de cada estrato, se obtienen estimaciones más precisas.

Flexibilidad: Permite adaptar el diseño del muestreo a las características específicas de la población.

Representación de subgrupos: Garantiza que todos los subgrupos estén representados en la muestra.

Mayor complejidad: Requiere una planificación más cuidadosa y detallada que otros métodos de muestreo.

Información previa: Es necesario contar con información previa sobre la población para definir los estratos.

Definición de la población: Se delimita claramente la población que se desea estudiar.

Identificación de los estratos: Se identifican las características relevantes para dividir a la población en subgrupos homogéneos (estratos).

Determinación del tamaño de la muestra: Se calcula el tamaño total de la muestra y se asigna una parte a cada estrato, ya sea de forma proporcional o desproporcional.

Selección de la muestra dentro de cada estrato: Se selecciona aleatoriamente una muestra de cada estrato utilizando un método como el muestreo aleatorio simple.

Recolección de datos: Se recolectan los datos de la muestra seleccionada.

Análisis de los datos: Se analizan los datos de cada estrato y se combinan para obtener estimaciones de la población total.

Muestreo Estratificado Proporcional:

• Definición: En este tipo de muestreo, el tamaño de la muestra de cada estrato es proporcional al tamaño del estrato en la población total.

• Ejemplo: Si el 30% de la población total pertenece a un determinado estrato, entonces el 30% de la muestra total también se seleccionará de ese estrato.

• Ventajas: Garantiza una representación precisa de cada estrato en la muestra.

• Desventajas: Puede ser menos eficiente si hay grandes diferencias en las varianzas entre los estratos.

Muestreo Estratificado Desproporcional:

• Definición: En este tipo de muestreo, el tamaño de la muestra de cada estrato no es necesariamente proporcional a su tamaño en la población. Se pueden seleccionar muestras más grandes de estratos pequeños para obtener estimaciones más precisas o muestras más pequeñas de estratos grandes para reducir costos.

• Ejemplo: Se puede seleccionar una muestra más grande de un estrato minoritario para poder realizar análisis más detallados sobre ese grupo.

• Ventajas: Permite asignar más recursos a los estratos de interés y obtener estimaciones más precisas para ciertos subgrupos.

• Desventajas: Requiere el uso de factores de ponderación para calcular las estimaciones de la población total.

Se necesita conocer información del grupo.

Normalmente tiene un índice de error de muestreo más alto que otras técnicas.

El muestreo por conglomerados puede no reflejar la diversidad en el marco muestral.