El Muestreo: Tcnica al servicio de la Valoracin Documental 1

Juan E. Piccini2
Resumen: La tcnica de muestreo naci y se desarroll con el objetivo de proporcionar muestras representativas de una poblacin. La imposibilidad de obtener informacin en muchos casos con base en la medicin de todas las unidades que componen la poblacin (censo) conlleva a seleccionar slo una parte de ella (muestra) por mtodos que permitan considerarla representativa y as argir acerca de esas caractersticas poblacionales de inters. l muestreo es por lo tanto! una herramienta de la investigacin cientfica! cuya funcin b"sica es determinar qu parte de una poblacin debe e#aminarse! con la finalidad de hacer inferencias sobre dicha poblacin. $hora bien! estas tcnicas! aplicadas a los archivos son en general una respuesta y%o medida que se toma frente al ritmo continuo de crecimiento vertiginoso de las series y subseries documentales conservadas tanto en archivos privados como p&blicos. La finalidad entonces! no es averiguar algo sobre la poblacin en cuestin! sino e#traer individuos o unidades que ser"n preservadas como testimonio en funcin de la informacin en ellos contenida! para luego eliminar el resto de la poblacin. s pues importante tener en cuenta esta diferencia a la hora de considerar la 'eleccin por muestreo. La propuesta de este trabajo es mostrar el alcance de una herramienta cuyo origen est" en otra ciencia pero que el archivlogo debe saber cmo y cu"ndo utili(ar. )mporta adem"s incluir la tcnica de muestreo como objeto de estudio en la formacin de la evaluacin documental conciliando la archivstica y la estadstica como dos voces y un camino conjunto por recorrer y e#plorar. Palabras clave: $rchivos* +uestreo* ,aloracin documental Title: Sampling: Technical ssessment serving Documentar!. bstract: -he sampling technique .as born and developed in order to provide representative samples of a population. -he impossibility of obtaining information in many cases based on the

measurements of all units that compose the population (census)! leads to select only a part of it (sample) by methods that allo.
1

Material preparado para el dictado de los cursos Vigencia y actualizacin de la valoracin documental y Valoracin documental y Muestreo. Una nueva visin, en el marco del Programa de Educacin Permanente de la Escuela Universitaria de i!liotecolog"a y #iencias $%ines de la Universidad de la &ep'!lica con la cola!oracin arc(iv"stica de las Pro%s. )ourdes &amos y $le*andra Villar, docentes responsa!les de la asignatura +eleccin ,ocumental de la #arrera de $rc(ivolog"a. 2 M-ster en .ngenier"a Matem-tica, )icenciado en Matem-ticas. ,ocente /01, Pro%esor del .nstituto de Matem-ticas y Estad"stica de la 2acultad de .ngenier"a, Universidad de la &ep'!lica. #orreo electrnico3

*epiccini4gmail.com
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 34

consider it representative and so argue about these population characteristics of interest. 'ampling is! therefore! a tool of scientific research! .hose basic functions to determine .hich part of a population must be e#amined in order to ma/e inferences about this population. 0o.ever! these techniques are! applied to the archives! often an ans.er and%or a measure ta/en against the continued rate of e#ponential gro.th of documentary series and sub series preserved both in private and public archives. -he aim then is not to find out something about the population in question! but to e#tract individuals or units to be preserved as testimony in light of the information contained in them! then eliminate the rest of the population. -herefore it1s important to note this difference .hen considering the sample selection. -he purpose of this paper is to sho. the scope of a tool .hose origin is in another science but the archivist must /no. ho. and .hen to use. )t1s important! also! to include the sampling technique as a research subject on the formation of the documentary assessment reconciling the archives and statistics as t.o voices and a .ay to go and e#plore joint. "e!#ords: $rchives* 'ampling* 2ocumentary $ssessment

1$ %&TR'D())%*& El muestreo es una (erramienta matem-tica Aue tiene su origen en las ciencias naturales, en donde (a sido %undamental para estudiar grandes vol'menes de datos a partir de una peAueBa %raccin de los mismos. Esta tCcnica naci y se desarroll con el o!*etivo de proporcionar muestras representativas de una po!lacin, de modo Aue las conclusiones Aue pudieran eDtraerse de dic(as muestras pudieran generalizarse a la po!lacin de origen. )a arc(iv"stica recurre al muestreo ante la imposi!ilidad y8o inconveniencia de guardar todos los documentos producidos por una institucin. Este instrumento permite preservar una muestra representativa de la po!lacin de documentos, como %orma de re%le*ar las %unciones y actividades Aue en ellos se registran. )a %inalidad no es averiguar algo so!re la po!lacin en cuestin, sino eDtraer individuos o unidades Aue ser-n preservadas en %uncin de la in%ormacin en ellos contenida, como testimonio para luego eliminar el resto de la po!lacin. Es conveniente tener presente esta signi%icativa di%erencia a la (ora de considerar la +eleccin por muestreo. En nuestra opinin se entienden como distintas, tCcnicas Aue son casos particulares de otras, lo Aue o!staculiza una visin m-s clara del a!anico de las (erramientas disponi!les as" como el entendimiento dentro del colectivo arc(iv"stico. El esp"ritu de este documento es pues intentar uni%icar de%iniciones y conceptos y promover la discusin acerca del uso acr"tico del muestreo en la arc(iv"stica.

.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 35

+$ ,P'R -(. M(ESTRE'/ ?uestros conocimientos, actitudes y acciones est-n !asados en gran parte so!re muestras. Emitimos opiniones y *uicios !asados solamente en una parte del panorama total. Eay por tanto una pCrdida de in%ormacin Aue condiciona las eDtrapolaciones y *uicios Aue podamos (acer, pues se !asan en la visin de un %ragmento del total. Es entonces %undamental Aue ese %ragmento so!re el Aue construimos nuestros *uicios y opiniones sea representativo de ese total, en el sentido de minimizar la pCrdida de in%ormacin. )a teor"a del muestreo es una (erramienta para minimizar dic(a pCrdida. 0$ )'&)EPT'S $ DE1%&%)%'&ES 2 TERM%&'3'45 )a pala!ra poblacin se emplea para re%erirse al con*unto dentro del cual se elige el su!con*unto llamado muestra. +u de%inicin puede no presentar pro!lema, por e*emplo cuando se muestrean las piezas documentales de un %ondo documental a %in de determinar su valor promedio. Es necesario Aue se encuentre !ien de%inida, de modo Aue pueda decidirse si un caso dudoso pertenece o no a la misma. )a po!lacin de la Aue se elige la muestra 5la poblacin muestreable: de!er"a coincidir con la po!lacin so!re la cual se desea in%ormacin 5la poblacin objetivo, target population:. +uele suceder Aue la po!lacin muestrea!le es m-s restringida Aue la po!lacin o!*etivo. En este caso de!e tenerse presente Aue las conclusiones eDtra"das de la muestra ser-n aplica!les a la po!lacin muestrea!le, y (ar%alta in%ormacin eDtra para decidir (asta AuC grado son aplica!les dic(as conclusiones en la po!lacin o!*etivo. $ modo de e*emplo, si de los documentos generados por cierta institucin eDtraemos una muestra de aAuellos situados en los anaAueles m-s accesi!les 5correspondientes al 'ltimo aBo, p.e*.:, ser"a aventurado eDtrapolar las conclusiones al total de documentos generados por dic(a institucin, a menos Aue tengamos in%ormacin adicional 5p.e*. Aue el 'ltimo aBo (a sido igual Aue los anteriores:. El muestreo puede tener un %in descriptivo o analtico. En el primer caso el o!*etivo es o!tener cierta in%ormacin respecto a una po!lacin. Por e*emplo la cantidad de pro%esionales Aue eDisten en la serie documental lega*os de personal de una .nstitucin. En el segundo caso se comparan su!grupos de la po!lacin para averiguar si eDisten di%erencias y %ormular o contrastar (iptesis so!re sus causas. 5Por e*emplo, comparar la proporcin mu*er8(om!re entre los pro%esionales de la serie documental lega*os de personal anteriormente citada:. )a distincin entre descriptivo y anal"tico rara vez es ta*ante. Muc(as muestras !rindan datos Aue sirven a am!os propsitos. $ntes de seleccionar la muestra, la po!lacin muestrea!le de!e particionarse en unidades de muestreo 5los individuos Aue %orman la po!lacin:. )os resultados pueden ser !ien distintos seg'n la unidad de muestreo Aue se eli*a. Por e*emplo se tiene la serie documental tar*etas de control de (orario de una cierta empresa 5Csta es la po!lacin muestrea!le:, y se desea guardar una muestra, eliminando el resto.
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 36

+i se toman las distintas secciones de la empresa como unidades de muestreo, dic(a muestra estar- %ormada por todas las tar*etas de control de (orario de la o las secciones elegidas. +i en cam!io, la unidad de muestreo es el mes, la muestra estar- %ormada por todas las tar*etas de control de (orario correspondientes al mes o meses elegidos. Este marco 5lista de las unidades Aue ser-n muestreadas: de!e ser claro, dado Aue si la unidad es la seccin entonces las conclusiones Aue puedan surgir del an-lisis de la muestra ser-n conclusiones so!re secciones y no so!re meses. 'bservaciones #onviene remarcar nuevamente Aue en general el muestreo se utiliza para eDtraer muestras so!re las cuales se miden ciertos rasgos o atri!utos, los Aue luego ser-n eDtrapolados a la po!lacin muestrea!le, sin em!argo en la arc(iv"stica el muestreo se utiliza no para averiguar algo so!re la po!lacin en cuestin, sino para eDtraer individuos o unidades Aue ser-n preservadas seg'n su valor, elimin-ndose al resto de la po!lacin. ,ic(o valor est- "ntimamente relacionado con el contenido de la unidad, es decir, la in%ormacin Aue la misma contiene. Esto no eDcluye Aue el propio soporte o tipo documental pueda tener valor en s" mismo 5pergaminos, papiros, cCdulas, etc.:. Pero de*ando estos casos de lado, en general, el valor de una unidad estri!a en la in%ormacin Aue contiene. Es importante o!servar Aue las (erramientas matem-ticas involucradas en el muestreo aleatorio descansan en resultados Aue presuponen po!laciones grandes. El tamaBo Aue la muestra de!e tener para garantizar un nivel de representatividad dado no es el mismo para una po!lacin peAueBa Aue para una grande. ,e este modo, una muestra de mil individuos de una po!lacin de un milln ser- representativa, mientras Aue una muestra de un individuo de una po!lacin de mil no lo ser-, pese a Aue la relacin muestra8po!lacin es la misma en am!os casos. sto es especialmente relevante en la archivstica! donde se suelen tener pocas series que totali(an muchos documentos. 6$ T%P'S DE M(ESTRE' EDisten dos mCtodos para seleccionar muestras de po!laciones3 el muestreo aleatorio 5Aue incorpora el azar como recurso en el proceso de seleccin:, y el muestreo no aleatorio (intencional o de juicio) . #uando el primero cumple con la condicin de Aue todos los elementos de la po!lacin tienen alguna oportunidad de ser escogidos en la muestra, si la pro!a!ilidad correspondiente a cada una de las posi!les muestras es conocida de antemano 5y en esto es %undamental Aue el marco estC !ien de%inido: reci!e el nom!re de muestreo probabilstico. En este caso se (a!la de muestras probabilsticas, pues no es en rigor correcto (a!lar de muestras representativas dado Aue al no conocer las caracter"sticas de la po!lacin, no es posi!le tener certeza de Aue tales caracter"sticas se (ayan conseguido plasmar en la muestra. Esto es especialmente importante en el caso de la arc(iv"stica, donde las muestras no se eDtraen para medir rasgos o caracter"sticas Aue puedan ser eDtrapoladas
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 37

luego al total de la po!lacin, sino Aue las muestras se utilizan para seleccionar aAuellos individuos Aue ser-n preservados 5sea como testimonio o para %uturos estudios:, elimin-ndose al resto de la po!lacin. En lo Aue sigue3 ? F tamaBo de la po!lacin 5n'mero de individuos o unidades Aue la %orman: n F tamaBo de la muestra 5n'mero de individuos o unidades Aue ser-n elegidos de entre los ? de la po!lacin: 4.1- Muestreo aleatorio a7 Muestreo aleatorio simple +upongamos Aue la po!lacin muestrea!le se divide en ? unidades 5por e*emplo 6=== unidades:, entonces elegimos por e*emplo <= de dic(as unidades de modo Aue cada una de las muestras posi!les de <= unidades elegidas de entre las 6=== tenga la misma pro!a!ilidad de salir. Esto puede lograrse mediante el muestreo con y sin reposicin, entendiendo por esto cuando la unidad elegida se vuelve a incorporar a la po!lacin, pudiendo ser elegida nuevamente. #uando ? 5el tamaBo de la po!lacin: es grande y n 5el tamaBo de la muestra: es muy peAueBo comparado con ?, las predicciones matem-ticas de am!as opciones son muy similares, pero el desarrollo matem-tico del muestreo con reposicin es m-s sencillo. En la arc(iv"stica los muestreos son sin reposicin, por los motivos ya mencionados. #on el muestreo aleatorio simple toda unidad de la po!lacin tiene las mismas posi!ilidades de %ormar parte de la muestra . Es un mCtodo sencillo y de %-cil comprensin. La muestra se elige sin tomar en consideracin ninguno de los atributos o caractersticas de inters que las unidades puedan poseer. Por eso, cuando se tra!a*a con una po!lacin (eterogCnea es posi!le Aue la muestra no represente adecuadamente a dic(a po!lacin. b7 Muestreo aleatorio sistem8tico En este muestreo, las ? unidades Aue con%orman la po!lacin se enumeran de 6 a ? seg'n un cierto criterio. uscamos elegir una muestra Aue represente una %raccin 68G del total. Entonces el tamaBo de la muestra de!erser nF?8G. Estas n unidades se eDtraen eAuidistantes 5siendo G la distancia entre unidades:. Primero elegimos una unidad al azar entre las G primeras y el resto de las n;6 unidades se eligen consecutivamente, cada una a distancia G de la elegida anteriormente. Es como tener un peine con n dientes, cada diente a distancia G de sus dos dientes vecinos. $ modo de e*emplo, supongamos Aue tenemos ? F 1== eDpedientes ordenados por antigHedad, de modo Aue el eDpediente m-s vie*o tiene el n'mero 6 y el m-s nuevo el n'mero 1==. ,eseamos elegir una muestra de razn 68G F 68<, de donde tendremos Aue la muestra estar- %ormada por n F 1==8< F 9= eDpedientes. Elegimos un eDpediente 5por e*emplo al azar: entre los < primeros, digamos el 1 5aAu" ir- el
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 38

primer diente del peine:. El segundo eDpediente de la muestra ser- entonces el I 5el tercero de los < segundos:, luego 61 5el tercero de los < terceros:, el 6I 5tercero de los < cuartos:, etc. (asta completar los n F 9= eDpedientes. c7 Muestreo aleatorio estrati9icado #onsiste en la divisin previa de la po!lacin !a*o estudio en grupos o clases 5llamadas estratos: Aue se suponen (omogCneos respecto a alguna caracter"stica. +e decide primero cu-ntas unidades de cada estrato compondr-n la muestra 5o sea se asigna una cuota a cada estrato:. Ea!itualmente se (ace de dos %ormas3 Por asignacin proporcional3 el tamaBo de la muestra dentro de cada estrato es proporcional al tamaBo del estrato dentro de la po!lacin. Por asignacin ptima3 la muestra recoger- m-s individuos de aAuellos estratos Aue tengan m-s varia!ilidad. Para ello es necesario un conocimiento previo de la po!lacin. Una vez decidido cuantas unidades se elegir-n en cada estrato, resta ver cmo elegirlas. +uelen usarse dos mCtodos3 a: ,entro de cada estrato se puede usar la tCcnica de muestreo sistem-tico 5se llama entonces muestreo estrati%icado sistem-tico: y !: tam!iCn puede usarse la tCcnica de muestreo aleatorio simple dentro de cada estrato. El muestreo aleatorio estrati%icado se recomienda cuando la po!lacin tiene marcadas di%erencias. $l agrupar en estratos m-s (omogCneos se gana en precisin. Este muestreo pretende asegurar la representacin de cada grupo en la muestra, tiende a asegurar Aue la muestra represente adecuadamente a la po!lacin en %uncin de unas varia!les seleccionadas, pero se (a de conocer la distri!ucin en la po!lacin de las varia!les utilizadas para la estrati%icacin. Para ilustrar veamos un e*emplo de muestreo aleatorio estrati%icado por asignacin proporcional3 supongamos una serie documental de una Universidad con 6<== documentos de los cuales el 2<J son de naturaleza conta!le, el 7=J de naturaleza administrativa no conta!le y el 1<J restante son de naturaleza acadCmica. +i se desea una muestra de por e*emplo 6== documentos, 2< de ellos se elegir-n de entre los documentos conta!les, 7= de entre los administrativos no conta!les y 1< de entre los documentos acadCmicos. $(ora un e*emplo pero con asignacin ptima3 volviendo al e*emplo anterior, supongamos Aue los documentos administrativos no conta!les presentan una mayor varia!ilidad o diversidad Aue los acadCmicos y los administrativos conta!les, de donde se asignar- una mayor cuota dentro de los 6== documentos Aue %ormar-n la muestra, por e*emplo eligiendo <= documentos administrativos no conta!les en vez de 7= 5en detrimento de los otros estratos:. Observacin El muestreo sistem-tico puede verse como un caso particular del muestreo estrati%icado. &evisemos nuestro e*emplo de ? F 1== documentos ordenados cronolgicamente, de los Aue deseamos eDtraer n F 9=. $l elegir G F
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

3 39

<, estamos partiendo la po!lacin en n F 9= estratos de < unidades cada uno 5las primeras < unidades, las segundas <, las terceras <, etc.:, y luego elegimos una unidad en cada estrato, eAuiespaciada de las unidades elegidas en los otros estratos por cuanto siempre elegimos p.e*. la tercera unidad de cada estrato. El pensar al muestreo sistem-tico como un caso del muestreo estrati%icado, muestra su principal de!ilidad3 el imponer una estrati%icacin Aue no necesariamente responde a alguna (omogeneidad intr"nseca de los datos. 2uncionar- !ien si la caracter"stica Aue se mide no est- relacionada con el orden impuesto a las unidades. +i los datos presentan alg'n tipo de periodicidad, eDiste el peligro de perder dic(a caracter"stica al capturar siempre la misma posicin relativa. Por e*emplo registros climatolgicos anuales ordenados por mes. +i guardamos siempre los registros correspondientes al mismo mes, tendremos una idea eAuivocada so!re el clima anual si nos !asamos en esa muestra. d7 Muestreo aleatorio por estadios m:ltiples Esta tCcnica es la 'nica opcin cuando no se dispone de la lista completa de la po!lacin de re%erencia o !ien cuando por medio de la tCcnica de muestreo simple o estrati%icado se o!tiene una muestra con unidades distri!uidas de tal %orma Aue resultan de di%"cil acceso. .lustraremos con un e*emplo3 supongamos Aue deseamos una muestra de la po!lacin de empleados p'!licos Aue tienen t"tulo terciario 5sus lega*os:. +i tuviCsemos una lista donde constan todos los ? empleados p'!licos, podr"amos asignar un n'mero a cada empleado y luego elegir n n'meros al azar de entre esos ?. $(ora !ien, puede suceder Aue no tengamos tal lista, o Aue la misma no nos diga si tienen o no t"tulo terciario, o Aue los lega*os de algunos de los empleados sorteados se encuentren en una regin de di%"cil acceso, resultando caro via*ar (asta all- por un solo lega*o. En el muestreo por estadios m'ltiples se su!divide la po!lacin en varios niveles ordenados Aue se eDtraen sucesivamente por medio de un procedimiento de em!udo. El muestreo se desarrolla en varias %ases o eDtracciones sucesivas para cada nivel, no por motivos estad"sticos sino por motivos econmicos y de e%iciencia, !uscando %acilitar la recogida de la muestra. Volviendo a nuestro e*emplo, se desea una muestra de empleados p'!licos con t"tulo terciario. Kstos pueden su!dividirse en unidades primarias 5los organismos p'!licos: y unidades secundarias 5los propios empleados con t"tulo terciario:. Primero se eDtrae una muestra de las unidades primarias 5esto presupone Aue contamos con una lista completa de tales unidades, en este caso organismos p'!licos:, y luego eDtraemos una muestra de unidades secundarias 5%uncionarios con t"tulo terciario: de cada una de las unidades primarias seleccionadas en la primera eDtraccin. e7 Muestreo por conglomerados +e utiliza cuando la po!lacin se encuentra dividida de manera natural en grupos Aue se supone contienen toda la varia!ilidad de la po!lacin, es
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 40

decir, la representan %ielmente respecto a la caracter"stica elegida. Pueden entonces seleccionarse slo algunos de estos grupos o conglomerados para la realizacin del estudio. $ modo de e*emplo supongamos Aue Aueremos conservar una muestra representativa de los escala%ones eDistentes en la $dministracin P'!lica. )os %uncionarios p'!licos se agrupan de manera natural en ministerios p'!licos, y en cada uno de ellos eDiste todo el a!anico de los escala%ones 5administrativos, tCcnicos, pro%esionales, etc.:. Entonces en una primera etapa elegimos algunos Ministerios de los cuales, en una segunda etapa elegiremos algunos %uncionarios como representantes de los escala%ones eDistentes. Este mCtodo, similar al de estadios m'ltiples, tiene la venta*a de simpli%icar la recogida de in%ormacin muestral.

Observaciones i: )as ideas de estratos y conglomerados son en cierto sentido, opuestas. )os primeros %uncionan me*or cuanto m-s (omogCnea es la po!lacin del estrato y m-s di%erentes son Cstos entre s" 5poca disimilaridad interna, muc(a disimilaridad eDterna:. En los segundos ocurre lo contrario, los conglomerados de!en presentar toda la varia!ilidad de la po!lacin y ser muy parecidos entre s" 5muc(a disimilaridad interna, poca disimilaridad eDterna:. ii: 0omogneo signi%ica en el conteDto de la estrati%icacin, Aue no (ay muc(a varia!ilidad. )os estratos %uncionan me*or cuanto m-s (omogCneos son cada uno de ellos respecto a la caracter"stica a medir. iii: Por el contrario, la (eterogeneidad (ace in'til la divisin en estratos. +i se dan las mismas di%erencias dentro del estrato Aue en toda la po!lacin, no (ay por AuC usar este mCtodo de muestreo. En los casos en los Aue eDistan grupos Aue contengan toda la varia!ilidad de la po!lacin, lo Aue se construyen son conglomerados, Aue a(orran algo del tra!a*o Aue supondr"a analizar toda la po!lacin. En resumen, estratos y conglomerados %uncionan !a*o principios opuestos3 los estratos son me*ores cuanto m-s (omogCneo es el grupo respecto a la caracter"stica a estudiar y los conglomerados lo son si representan %ielmente a la po!lacin, esto es, contienen toda su varia!ilidad, son heterogneos. 4.2- Muestreo no aleatorio $AuCl para el Aue no puede calcularse la pro!a!ilidad de eDtraccin de una determinada muestra. +e !usca seleccionar n individuos Aue se *uzga de antemano tienen una in%ormacin vital o so!resalen del resto seg'n alg'n criterio preesta!lecido, individuos con alto valor seg'n dic(o criterio. a7 Muestreo no aleatorio por cuotas En primer lugar es necesario dividir la po!lacin de re%erencia en varios estratos de%inidos por algunas varia!les de distri!ucin conocida. Posteriormente se calcula el peso proporcional de cada estrato, es decir, la
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 41

proporcin de po!lacin Aue representan. 2inalmente se multiplica cada peso por el tamaBo de n de la muestra para determinar la cuota precisa en cada estrato. Es como el muestreo estrati%icado con asignacin proporcional, solo Aue a(ora en cada estrato se elige en %orma no aleatoria. Volvamos al e*emplo de los documentos de una Universidad con 6<== documentos de los cuales el 2<J son de naturaleza conta!le, el 7=J de naturaleza administrativa no conta!le y el 1<J restante son de naturaleza acadCmica. ,eseamos conservar una muestra de 6== documentos, pero a(ora entre los 2< documentos de naturaleza conta!le priorizaremos los relacionados con inversiones en o!ras, de los 7= documentos de naturaleza administrativa no conta!le daremos prioridad a los lega*os de personal, y de los 1< documentos de naturaleza acadCmica consideraremos especialmente las actas de resolucin de los #laustros. b7 Muestreo no aleatorio sub;etivo por decisin ra<onada En este caso las unidades de la muestra se eligen en %uncin de algunas de sus caracter"sticas de manera racional y no casual. $s", dada una coleccin personal de documentos pertenecientes a un persona*e cCle!re, se conservar-n el certi%icado de nacimiento, %otogra%"as, correspondencia personal, etc. pero no la %actura de compra de una licuadora por e*emplo. =$ ,'TR'S T%P'S DE M(ESTRE'/ En la comunidad de arc(ivistas se con%unde muestreo con muestreo aleatorio, y se menciona la seleccin cualitativa intr"nseca y eDtr"nseca como mCtodos separados de los mCtodos de muestreo. #onsideramos Aue Cstos son casos particulares del muestreo no aleatorio y aleatorio respectivamente, como intentaremos mostrar a continuacin. $simismo se menciona la valoracin como algo separado del muestreo. )as de%iniciones de seleccin cualitativa Aue siguen %ueron tomadas del material correspondiente al Lema I del curso $rc(iv"stica de la ,iplomatura de i!lioteconom"a y ,ocumentacin de la Universidad de /ranada. 1 #a!e mencionar Aue si consultamos cualAuier material de los usados en arc(iv"stica, encontraremos contenidos similares. 5.1- Seleccin cualitativa intrnseca stablece a priori un criterio cuya presencia o ausencia determinar" la conservacin o la eliminacin de cada documento o e#pediente3. Por e*emplo para eDpedientes *udiciales se puede esta!lecer como criterio conservar los relacionados con los casos m-s sonados de la Cpoca. ste modo de seleccin busca eliminar series voluminosas de documentacin sin inters! conserv"ndose slo lo que se considera relevante3. Pensamos Aue estamos ante un muestreo no aleatorio, en particular el muestreo su!*etivo por decisin razonada, donde la muestra se compone de
3

http://www.ugr.es/~josemdc/Recursos/Tem 8.pd!

.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 42

todas las unidades 5documentos, eDpedientes, etc.: Aue presentan el atri!uto o criterio de%inido a priori y Aue los caracteriza como valiosos o de interCs. 5.2- Seleccin cualitativa extrnseca Este tipo de seleccin, por el contrario, no de%ine a priori un criterio o atri!uto cuya presencia o ausencia en las unidades decidir-n su preservacin o eliminacin. +e presenta dividida en alfabtica, cronolgica! topogr"fica y combinada. a7 Seleccin )ualitativa E>tr?nseca l9abtica: 4'e emplea en el caso de los e#pedientes que contienen datos de car"cter personal. 5onsiste en elegir aquellos e#pedientes cuyos apellidos comiencen por una o m"s iniciales3. Vemos Aue si las letras se eligen al azar, estaremos ante un caso de muestreo aleatorio so!re la po!lacin de letras, dado Aue se eligen letras del al%a!eto y se preservan los eDpedientes de personas cuyos apellidos comienzan con alguna de las letras elegidas. El Aue dic(as letras se eli*an mediante muestreo aleatorio simple, sistem-tico u otro es irrelevante para el caso. +i la eleccin de las letras no es aleatoria, estaremos ante un caso de muestreo no aleatorio. b7 Seleccin )ualitativa E>tr?nseca )ronolgica: #onsiste en seleccionar la documentacin de determinados aBos 5uno cada cinco aBos, diez,M: o tomados al azar o los considerados signi%icativos o m-s importantes por los acontecimientos desarrollados. ?uevamente en este caso vemos Aue se (ace un muestreo aleatorio sistem-tico o aleatorio simple en el con*unto de aBos 5la po!lacin son los aBos, se eligen algunos aBos ya sea en %orma sistem-tica o aleatoria simple:, o un muestreo su!*etivo por decisin razonada cuando elegimos los aBos considerados signi%icativos o importantes. 46tra posibilidad consiste en conservar una representacin de la documentacin de cada a7o! bien sea un mes determinado! un mes rotatorio o uno elegido al a(ar3. En este caso se estrati%ica primero dividiendo cada aBo en meses y luego se muestrea en la po!lacin de meses, ya sea con o sin aleatoriedad. c7 Seleccin )ualitativa E>tr?nseca Topogr89ica: 4'e basa en la eleccin de "reas geogr"ficas cuya documentacin es conservada ntegramente o la de determinados lugares de cada "rea3. $Au" la unidad de muestreo es el -rea geogr-%ica o la su!-rea, la po!lacin es el con*unto de tales -reas 5su!-reas:. +e eligen algunas unidades 5presumi!lemente mediante muestreo aleatorio simple o por estadios m'ltiples, a *uzgar por el comentario Aue sigue: de dic(a po!lacin, cuya documentacin ser- la Aue se preserve "ntegramente. 4 l problema es de nuevo la representatividad! ya que 8puede una regin o varias localidades representar al conjunto de las regiones en las que se enclavan93

.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 43

&ecordemos Aue una de las desventa*as del muestreo aleatorio simple era *ustamente Aue para po!laciones (eterogCneas, la muestra elegida pod"a no ser representativa. $simismo el muestreo por estadios m'ltiples es un mCtodo pensado desde lo log"stico, no desde lo estad"stico. Para lidiar con esta %alta de representatividad pensamos Aue me*or ser"a implementar un muestreo por conglomerados o un muestreo estrati%icado 5no necesariamente aleatorio:, suponiendo Aue se tenga el necesario conocimiento previo de la po!lacin a muestrear. d7 Seleccin )ualitativa E>tr?nseca )ombinada: 4Los mtodos e#puestos no suelen aplicarse individualmente! sino que con frecuencia se combinan varios de ellos para obviar en la medida de los posible los inconvenientes de cada uno3. Es decir Aue se com!inar-n el muestreo no aleatorio con el aleatorio. Por e*emplo eligiendo algunas regiones y8o aBos de eminente importancia 5ya sea mediante muestreo su!*etivo por decisin razonada o mediante muestreo no aleatorio por cuotas:, o por e*emplo estrati%icando, o por conglomerados o por muestreo aleatorio simple. 5.3- Valoracin El (ec(o mismo de valorar implica e%ectuar un muestreo, ya Aue cuando se eval'a y se decide luego en %uncin de dic(a evaluacin, el e%ecto %inal es eDtraer una muestra no aleatoria de una po!lacin, elimin-ndose al resto 5recordemos Aue el valor asignado a una unidad est- "ntimamente asociado con el contenido in%ormativo de la misma:. En el proceso de valoracin se (ace primero un muestreo no aleatorio 5la llamada seleccin cualitativa intr"nseca, dado Aue se %i*a un criterio, plasmado en el valor, seg'n el cual se conservar- o no la unidad en cuestin: el cual produce grupos claramente di%erenciados3 unidades de evidente valor m"nimo Aue ser-n eliminadas en su totalidad y el otro grupo, el cual a su vez suele dividirse en dos su!grupos, el de las unidades de alto valor 5las Aue se conservar-n en su totalidad:, y las unidades de valor intermedio o zona gris, las cuales ser-n eliminadas salvo una muestra. El muestreo no aleatorio se agota en los grupos de !a*o y alto valor, aplic-ndose alguna variedad de muestreo aleatorio en la zona gris. Esto suele llamarse seleccin cualitativa eDtr"nseca en la comunidad de arc(ivistas, siendo en realidad casos particulares de los mCtodos aleatorios como ya (emos visto. En esta zona gris, donde todos los individuos valen lo mismo y solamente se pueden conservar algunos, resulta importante Aue la muestra Aue se va a conservar sea representativa y capture del me*or modo posi!le los rasgos caracter"sticos 5generalmente desconocidos: de la po!lacin Aue sereliminada. =@6$ )onclusiones +e incorpora a la arc(iv"stica una (erramienta conce!ida en principio para otros %ines. $l (acerse en %orma acr"tica se genera con%usin en lo conceptual3
.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 44

6. +e con%unde el concepto de tomar una muestra 5el AuC: con el cmo 5si interviene o no el azar:, lleg-ndose a reducir el muestreo al caso particular del muestreo aleatorio, como si %ueran sinnimos. 2. +e perci!e la valoracin documental como algo separado del muestreo, cuando en realidad se est- aplicando primero un muestreo no aleatorio seguido de otro aleatorio en uno de los su!grupos producidos por el primer muestreo. 1. +e de%inen como mCtodos distintos 5incluso de otro orden: lo Aue en realidad son casos particulares. $s", se presentan las selecciones cualitativas como mCtodos aparte de los mCtodos de muestreo, y dentro de Cstas las cualitativas eDtr"nsecas como mCtodos aparte de los de muestreo aleatorio. 7. Esta visin %ragmentada di%iculta la comprensin de los distintos mCtodos y por tanto su aplicacin y eventual me*or"a 5vCase seleccin cualitativa eDtr"nseca topogr-%ica:. Re9erencias bibliogr89icas #N#E&$?, Oiliam /. -cnicas de +uestreo. MCDico 3 Ed. #E#+$, 6>>9. ,UVE&/E&A Maurice. +todos de las 5iencias 'ociales. $riel, 6>92. 5,emos ; #oleccin de #iencias Pol"ticas:. arcelona 3

EU)), 2CliD. 4:tili(acin de tcnicas de muestreo en la conservacin de registros3. studio del ;$+< y directrices. <aris! <rograma =eneral de )nformacin y :>)')'-. <aris? :?E+#N, 6>I6, 9@ p. 5P/.;I68O+829:. MN&$)E+ ,E) #$+L.))N, JosC Manuel. -ema @ de la materia $rchivstica! AB curso de la 2iplomatura de Ciblioteconoma y 2ocumentacin de la :niversidad de =ranada p"gina .eb? (ttp388PPP.ugr.es8Q*osemdc8&ecursos8LemaI.pd% 5p-gina consultada el 68@82=6=: +)N?.M, MN&&.+, James. +uestreo ? gua "gil y precisa de estadstica pr"ctica. uenos $ires 3 $mericana, 6>@7. OiGipedia.org. (ttp388es.PiGipedia.org8PiGi8MuestreoRenRestadJ#1J$,stica +uestreo en estadstica. 5P-gina consultada el 1=8982=6=:

.n%ormatio 567869:3 17;7<, 2==>;2=66, .++? =@>@;671<

4 45