¿Qué es una muestra en investigación?
Es la parte de una población que realmente se observa; su calidad depende tanto de cómo se selecciona como de cuántos casos contiene.
Una muestra es el conjunto de unidades de una población que se selecciona y observa para obtener información sobre esa población o sobre un proceso de interés. Las unidades pueden ser personas, hogares, empresas, transacciones, sesiones, productos, piezas, eventos u otras entidades definidas por el estudio. Una muestra no es representativa por ser grande ni por parecerse superficialmente a la población: la capacidad de generalizar depende de cómo se definieron la población objetivo y la población accesible, de la calidad del marco muestral, del mecanismo de selección, de la respuesta y de los ajustes de estimación. En un muestreo probabilístico, cada unidad tiene una probabilidad de selección conocida o calculable, lo que permite cuantificar la incertidumbre de muestreo bajo el diseño. En muestras no probabilísticas, la inclusión depende de mecanismos como conveniencia, cuotas, voluntariado o paneles opt-in y la inferencia requiere supuestos o modelos adicionales. El tamaño de la muestra influye en la precisión, pero no corrige por sí solo sesgos de cobertura, selección, no respuesta o medición.
- Qué es una muestra
- Muestra vs. población
- Unidad muestral, de observación y análisis
- Qué es el marco muestral
- Muestras probabilísticas y no probabilísticas
- Qué significa representatividad
- Muestra vs. tamaño de muestra
- Precisión no es ausencia de sesgo
- Subgrupos y ponderación
- Ejemplo en investigación de mercado
- Errores frecuentes
- Preguntas frecuentes
- Fuentes y referencias
- Conceptos relacionados
Qué es una muestra
Una muestra es el conjunto de unidades que un estudio selecciona y observa de una población más amplia. El objetivo no suele ser describir a la muestra por sí misma, sino aprender algo sobre la población o proceso del que proviene.
Statistics Canada define el muestreo como la selección de un conjunto de unidades de una población y llama muestra precisamente a ese conjunto. El U.S. Census Bureau usa la misma idea: una muestra contiene las entidades seleccionadas para un estudio o encuesta.
La idea clave: “muestra” responde a qué unidades observamos realmente. No dice por sí sola si esas unidades fueron bien elegidas, si son suficientes ni qué tan válidas son las inferencias que se hagan con ellas.
Muestra vs. población
| Concepto | Qué incluye | Ejemplo |
|---|---|---|
| Población objetivo | El conjunto sobre el que se quiere decir algo. | Todos los clientes activos de una categoría en Argentina. |
| Población accesible o de encuesta | Las unidades de la población objetivo que el diseño puede alcanzar efectivamente. | Clientes identificables y contactables durante el período del estudio. |
| Muestra | Las unidades seleccionadas de la población accesible. | 1.200 clientes seleccionados para ser invitados a responder. |
| Muestra efectiva | Las unidades que finalmente aportan datos válidos. | 760 personas que respondieron y pasaron los controles definidos. |
Esta secuencia importa porque una muestra no puede representar correctamente a personas o unidades que nunca tuvieron posibilidad real de quedar incluidas en el proceso de selección.
Unidad muestral, unidad de observación y unidad de análisis
La palabra “muestra” se vuelve ambigua si no se define qué tipo de unidad se está seleccionando. Una encuesta puede seleccionar hogares, entrevistar a una persona del hogar y analizar características de individuos.
Unidad muestral
La unidad que puede ser seleccionada por el diseño: una persona, hogar, empresa, tienda, sesión, pedido o cluster.
Unidad de observación o reporte
La fuente de la información recolectada. Puede coincidir o no con la unidad muestral.
Unidad de análisis
La entidad sobre la que se calculan e interpretan los resultados finales.
Definir estas unidades evita errores como seleccionar cuentas, medir usuarios y después interpretar resultados como si cada cuenta equivaliera a una sola persona.
Qué es el marco muestral
El marco muestral es la lista, dispositivo o estructura que identifica y permite acceder a las unidades elegibles para seleccionar la muestra. Census lo describe como cualquier lista o mecanismo que delimita e identifica las unidades de muestreo; Statistics Canada añade que debe aproximarse lo mejor posible a la población objetivo.
Un marco puede ser una base de clientes, un registro de empresas, una lista de domicilios, áreas geográficas, una base de cuentas o una combinación de fuentes.
Una muestra no puede reparar un marco defectuoso. Si el marco omite sistemáticamente una parte de la población, la selección puede ser perfectamente aleatoria dentro del marco y aun así dejar fuera al grupo ausente.
Los problemas de subcobertura, sobrecobertura, duplicados y clasificaciones incorrectas son errores del marco, no simples problemas de tamaño muestral.
Muestras probabilísticas y no probabilísticas
| Tipo | Cómo ingresan las unidades | Qué permite |
|---|---|---|
| Probabilística | La selección usa un mecanismo aleatorio y probabilidades conocidas o calculables. | Sustentar inferencia de diseño y estimar incertidumbre muestral bajo el procedimiento especificado. |
| No probabilística | La inclusión depende de conveniencia, cuotas, voluntariado, redes, paneles opt-in u otros mecanismos sin probabilidades de selección conocidas del mismo modo. | Puede producir información valiosa, pero la inferencia poblacional necesita modelos, ajustes y supuestos adicionales. |
AAPOR subraya que una encuesta online puede usar cualquiera de las dos familias: el canal no determina por sí solo el tipo de muestra. Un panel web reclutado probabilísticamente y un panel web opt-in son metodológicamente distintos aunque ambos respondan por internet.
Qué significa que una muestra sea representativa
“Representativa” suele usarse como una etiqueta intuitiva, pero metodológicamente necesita precisión. No basta con que la muestra se parezca a la población en edad, género o región. También importa cómo fueron incluidas las unidades y qué mecanismos de cobertura, selección y respuesta pueden estar relacionados con la variable que se quiere estudiar.
AAPOR señala que idealmente la composición de una muestra debería reflejar a la población en características relevantes, pero reconoce que esto rara vez ocurre de forma perfecta y que suele recurrirse a ponderación. Esa ponderación puede corregir desequilibrios observables; no garantiza eliminar sesgos asociados a variables no medidas.
Representatividad no es una propiedad binaria ni se demuestra mirando una tabla demográfica. Debe evaluarse en relación con la población, el mecanismo de selección, la cobertura, la respuesta y la variable que se quiere estimar.
Muestra vs. tamaño de muestra
Muestra es el conjunto seleccionado. Tamaño de muestra es cuántas unidades contiene ese conjunto, normalmente expresado como n.
El tamaño influye en precisión y potencia, pero no existe un n universalmente correcto. Statistics Canada señala que el tamaño resulta de un compromiso entre precisión requerida, objetivos de detalle, diseño, presupuesto y restricciones operativas.
En experimentación, además, el tamaño necesario depende de tasa base, variabilidad, efecto mínimo detectable, nivel de significancia, potencia y asignación. Ese problema aplicado está desarrollado en la Biblioteca: Tamaño de Muestra en A/B Testing: cuánto tráfico necesitás.
Más muestra mejora precisión, no legitimidad. Un millón de respuestas autoseleccionadas siguen siendo autoseleccionadas.
Precisión no es ausencia de sesgo
Una muestra puede producir estimaciones muy precisas y, al mismo tiempo, estar sistemáticamente desviada respecto de la población objetivo.
Precisión: describe cuánto varían las estimaciones entre posibles muestras o cuán ancho es su rango de incertidumbre.
Sesgo: describe una desviación sistemática producida por cobertura, selección, no respuesta, medición u otros mecanismos.
Tamaño: aumentar n puede reducir parte de la variabilidad aleatoria, pero no corrige automáticamente un sesgo sistemático.
Por eso el margen de error no alcanza para juzgar la calidad total de una muestra. Una cifra estrecha puede describir con mucha precisión a la población equivocada.
Subgrupos, sobrerrepresentación y ponderación
Una muestra puede diseñarse deliberadamente para seleccionar más casos de ciertos subgrupos. Eso se llama sobremuestreo y puede ser útil cuando un segmento pequeño necesita estimaciones propias con suficiente precisión.
Que un grupo aparezca “de más” en la muestra no significa necesariamente que el estudio esté mal. Si el diseño conoce las probabilidades de selección, los pesos pueden ajustar la contribución de cada unidad al estimar resultados para la población.
La ponderación también se utiliza para corregir ciertos desequilibrios entre muestra y población, pero tiene límites: puede aumentar la varianza y no corrige mágicamente sesgos en características no observadas o ausentes del marco.
Ejemplo de muestra en investigación de mercado
Una empresa quiere estimar satisfacción entre sus clientes activos del último trimestre.
Población objetivo: todos los clientes activos con al menos una compra en el trimestre.
Marco: base de clientes con identificador y canal de contacto válidos.
Problema detectado: algunos compradores de marketplace no tienen email propio en el CRM, por lo que el marco tiene subcobertura.
Muestra: se seleccionan aleatoriamente clientes elegibles del marco, estratificando por canal y nivel de gasto.
Respuesta: una parte de los seleccionados no responde; se compara a respondentes y no respondentes en variables disponibles.
Interpretación: los resultados se presentan para la población cubierta por el diseño y se documenta que ciertos compradores quedaron fuera del marco.
El ejemplo muestra por qué “tenemos 2.000 respuestas” es insuficiente como descripción metodológica: importa de qué población salieron, cómo fueron seleccionadas y quién quedó afuera.
Errores al trabajar con muestras
Confundir muestra con base disponible
Una base de datos es un marco potencial; la muestra es el conjunto efectivamente seleccionado según el diseño.
Suponer que “grande” significa representativa
El tamaño reduce parte de la incertidumbre aleatoria, pero no elimina subcobertura, autoselección o no respuesta diferencial.
Definir la población después de ver los datos
La población objetivo debe establecerse antes de interpretar la muestra. Cambiarla a posteriori puede convertir una limitación en una falsa generalización.
Ignorar el marco muestral
Si ciertas unidades nunca podían ser seleccionadas, su ausencia no se resuelve aumentando el número de respuestas dentro del mismo marco.
Usar el mismo margen para todos los subgrupos
La precisión depende de cuántos casos efectivos aporta cada estimación y del diseño correspondiente.
Tratar ponderación como reparación total
Los pesos pueden ajustar diferencias observables y probabilidades de selección, pero no garantizan corregir sesgos por variables no observadas.
Preguntas frecuentes sobre muestras
¿Qué es una muestra en investigación?
Es el conjunto de unidades de una población que se selecciona y observa para obtener información sobre esa población o proceso. Puede estar formada por personas, empresas, transacciones, sesiones, productos u otras unidades definidas por el estudio.
¿Cuál es la diferencia entre muestra y población?
La población es el conjunto completo sobre el que se quiere describir, estimar o inferir algo; la muestra es el subconjunto efectivamente seleccionado y observado. La inferencia busca usar información de la muestra para aprender sobre la población bajo condiciones metodológicas explícitas.
¿Qué es un marco muestral?
Es la lista, dispositivo o estructura que identifica y permite acceder a las unidades elegibles para la selección. Si el marco omite, duplica o incluye unidades incorrectas, puede generar errores de cobertura.
¿Una muestra grande es representativa?
No necesariamente. Un tamaño grande puede mejorar la precisión frente a variabilidad aleatoria, pero no elimina sesgos de cobertura, autoselección, no respuesta o medición. Una muestra enorme y mal seleccionada puede representar mal a la población.
¿Cuál es la diferencia entre muestra probabilística y no probabilística?
En una muestra probabilística las unidades tienen probabilidades de selección conocidas o calculables mediante un mecanismo aleatorio. En una no probabilística, la inclusión depende de mecanismos como conveniencia, cuotas o participación voluntaria y la inferencia necesita supuestos adicionales.
¿Cómo se decide el tamaño de una muestra?
Depende del objetivo, la precisión o potencia requerida, la variabilidad esperada, el diseño, los subgrupos que se quieran analizar, el tamaño de la población cuando sea relevante y las restricciones de costo y operación. No existe un tamaño universal correcto.
Fuentes y referencias
1. Statistics Canada. Selection of a sample.
2. Statistics Canada. Quality Guidelines: Frames.
3. American Association for Public Opinion Research. Best Practices for Survey Research.
4. U.S. Census Bureau. Statistical Quality Standard A3: Developing and Implementing a Sample Design.
5. U.S. Census Bureau. American Community Survey Design and Methodology: Glossary.
6. Rao, J. N. K. & Fuller, W. A. (2017). Sample survey theory and methods: Past, present, and future directions. Survey Methodology.