¿Qué es el muestreo en investigación?
Es el proceso que define cómo se seleccionan las unidades que formarán una muestra; de ese diseño dependen buena parte de la cobertura, la precisión y las inferencias posibles.
El muestreo es el proceso de diseñar y ejecutar la selección de unidades de una población para formar una muestra que será observada en una investigación. No consiste sólo en elegir “algunas personas”: exige definir la población objetivo, la población accesible, la unidad de muestreo, el marco o mecanismo de acceso y la regla con la que cada unidad puede ingresar a la muestra. En el muestreo probabilístico, la selección incorpora azar y cada unidad de la población de encuesta tiene una probabilidad positiva conocida o calculable de ser incluida, lo que permite cuantificar la incertidumbre de muestreo bajo el diseño. En el muestreo no probabilístico, la inclusión depende de mecanismos como conveniencia, cuotas, juicio, voluntariado o redes, y la inferencia sobre la población requiere supuestos, modelos o ajustes adicionales. El método adecuado depende del objetivo del estudio, la población, la calidad del marco, la precisión necesaria, los subgrupos de interés, los recursos y el tipo de conclusión que se quiere sostener. Muestreo no es sinónimo de muestra ni de tamaño de muestra: el muestreo es el proceso de selección; la muestra, el conjunto resultante; y el tamaño de muestra, cuántas unidades contiene.
- Qué es el muestreo
- Muestreo vs. muestra y tamaño de muestra
- Qué define un diseño de muestreo
- Población, marco y unidad de muestreo
- Probabilístico vs. no probabilístico
- Principales métodos de muestreo
- Cómo elegir el método
- Representatividad y sesgo de selección
- Error de muestreo y otros errores
- Ejemplo en investigación de mercado
- Errores frecuentes
- Preguntas frecuentes
- Fuentes y referencias
- Conceptos relacionados
Qué es el muestreo
El muestreo es el proceso mediante el cual una investigación decide qué unidades de una población serán seleccionadas para formar la muestra. Es una decisión de diseño: establece quién puede entrar, desde dónde se selecciona y con qué mecanismo.
Statistics Canada lo define como el método utilizado para seleccionar un subconjunto de unidades de una población objetivo y advierte que el método elegido afecta directamente la precisión de las estadísticas producidas. En otras palabras, no alcanza con reunir respuestas: importa cómo esas unidades llegaron a formar parte del estudio.
La idea clave: el muestreo responde a cómo se selecciona. La muestra responde a qué unidades quedaron seleccionadas.
Muestreo vs. muestra y tamaño de muestra
| Concepto | Pregunta que responde | Ejemplo |
|---|---|---|
| Muestreo | ¿Cómo se seleccionan las unidades? | Selección aleatoria estratificada de clientes por canal. |
| Muestra | ¿Qué unidades quedaron seleccionadas? | 1.200 clientes elegidos para ser contactados. |
| Tamaño de muestra | ¿Cuántas unidades contiene la muestra? | n = 1.200. |
Los tres conceptos se relacionan, pero no son intercambiables. Aumentar el tamaño de muestra puede mejorar la precisión en determinadas condiciones, pero no corrige un mecanismo de selección que deja afuera sistemáticamente a parte de la población.
Qué define un diseño de muestreo
Un diseño de muestreo especifica las decisiones que conectan la población de interés con las unidades que finalmente pueden ser observadas. En un estudio bien documentado, como mínimo deberían quedar claras estas piezas:
Estas decisiones forman parte del diseño de investigación, pero el muestreo se concentra específicamente en la lógica de selección de unidades.
Población, marco y unidad de muestreo
El muestreo empieza antes de seleccionar casos. Primero hay que saber qué población se quiere estudiar y qué unidades la componen. Statistics Canada distingue entre población objetivo —sobre la que se desea información— y población de encuesta o accesible —la que efectivamente puede ser cubierta por el diseño.
Después aparece el marco muestral: la lista, estructura o dispositivo que permite acceder a las unidades elegibles. Una base de clientes, un padrón, un listado de empresas, direcciones postales, números telefónicos, áreas geográficas o un panel pueden funcionar como marco según el estudio.
El marco condiciona quién puede ser seleccionado. Si una parte relevante de la población no aparece en el marco, esa subcobertura no desaparece por aumentar el número de respuestas dentro de la misma fuente.
También conviene distinguir la unidad de muestreo de la unidad de análisis. Un estudio puede seleccionar hogares, entrevistar a una persona del hogar y analizar características individuales. Mezclar esas unidades puede producir inferencias equivocadas.
Muestreo probabilístico vs. no probabilístico
| Aspecto | Probabilístico | No probabilístico |
|---|---|---|
| Selección | Incorpora un mecanismo aleatorio. | La inclusión depende de conveniencia, cuotas, juicio, voluntariado, redes u otros mecanismos no aleatorios. |
| Probabilidad de inclusión | Es positiva y conocida o calculable para las unidades de la población de encuesta. | No se conoce de la misma forma para cada unidad de la población. |
| Inferencia | Permite inferencia basada en el diseño y estimar incertidumbre de muestreo bajo sus supuestos. | La inferencia poblacional requiere supuestos, modelos o ajustes adicionales. |
| Usos frecuentes | Encuestas poblacionales, mediciones oficiales, estudios donde se necesita estimar con precisión conocida. | Exploración, investigación cualitativa, paneles opt-in, estudios de acceso difícil, cuotas o contextos donde no existe un marco adecuado. |
AAPOR recomienda informar explícitamente cuál de las dos familias se utilizó y, cuando el diseño es probabilístico, describir el marco y su cobertura. El canal de recolección no define por sí solo el tipo: una encuesta online puede usar una muestra probabilística o una muestra opt-in no probabilística.
Que un método no probabilístico no permita la misma inferencia basada en diseño no significa que sea inútil. Puede ser adecuado para objetivos exploratorios, cualitativos o de acceso a poblaciones difíciles; lo importante es no atribuirle conclusiones que su mecanismo de selección no sostiene.
Principales métodos de muestreo
Dentro de las dos grandes familias existen múltiples diseños. Esta página los ubica conceptualmente; cada método requiere decisiones propias de implementación.
| Familia | Método | Idea básica |
|---|---|---|
| Probabilístico | Aleatorio simple | Las unidades se seleccionan al azar desde un marco y tienen una probabilidad definida de inclusión. |
| Probabilístico | Sistemático | Se usa un arranque aleatorio y luego un intervalo de selección sobre un marco ordenado. |
| Probabilístico | Estratificado | La población se divide en estratos y se selecciona una muestra dentro de cada uno. |
| Probabilístico | Conglomerados o multietápico | Se seleccionan grupos o unidades en etapas sucesivas cuando listar toda la población no es práctico. |
| No probabilístico | Conveniencia | Se incluyen casos fáciles de acceder o disponibles. |
| No probabilístico | Cuotas | Se fijan cantidades por subgrupo, pero la selección dentro de cada cuota no necesariamente es aleatoria. |
| No probabilístico | Intencional o por juicio | Se eligen casos porque cumplen criterios relevantes para el objetivo del estudio. |
| No probabilístico | Voluntario o bola de nieve | La participación surge por autoselección o por referencias entre participantes. |
La diferencia metodológica central no es el nombre del método sino qué regla de inclusión produce la muestra y qué inferencias pueden justificarse a partir de ella.
Cómo elegir un método de muestreo
No existe un método universalmente mejor. La elección depende del problema de investigación y del tipo de conclusión que se necesita sostener.
Definí la población. Especificá quién o qué pertenece al universo de interés, en qué lugar y período.
Definí el objetivo de inferencia. No es lo mismo explorar motivaciones que estimar una proporción poblacional con precisión conocida.
Evaluá el marco. Revisá cobertura, duplicados, vigencia y posibilidad real de contactar las unidades.
Identificá subgrupos críticos. Si necesitás resultados para segmentos pequeños, el diseño debe asegurar casos suficientes en ellos.
Balanceá precisión y operación. Tiempo, costo, dispersión geográfica, tasas de respuesta y modo de contacto afectan la viabilidad.
Documentá la selección. Una metodología reproducible explica marco, método, tamaño, reclutamiento, exclusiones y limitaciones.
ESOMAR incorpora además cuestiones específicas de calidad en muestras online, como validación de participantes, fraude, duplicación, engagement, blending, weighting, profiling y screening. Esas capas operativas no reemplazan el diseño de muestreo: lo complementan.
Muestreo, representatividad y sesgo de selección
Un buen muestreo busca que la forma en que se seleccionan las unidades sea compatible con las conclusiones que se quieren extraer. Eso no se reduce a “tener una muestra parecida” a la población en unas pocas variables visibles.
En un diseño probabilístico, conocer las probabilidades de inclusión permite construir estimadores y cuantificar incertidumbre bajo el diseño. Pero todavía pueden aparecer problemas de cobertura, no respuesta, medición o ejecución. En un diseño no probabilístico, además, la relación entre inclusión y características de la población necesita supuestos adicionales para sostener inferencias generales.
Una muestra grande no vuelve bueno a un mal muestreo. El tamaño puede reducir variabilidad aleatoria; no elimina por sí solo subcobertura, autoselección ni sesgos de selección.
Error de muestreo y otros errores
El error de muestreo surge porque se observa una parte de la población y no a todas sus unidades. En diseños probabilísticos puede estimarse la variabilidad asociada al procedimiento de selección y expresarse mediante errores estándar, intervalos o márgenes de error según el estimador y el diseño.
Eso no representa todo el error posible de una investigación. También existen errores de cobertura, no respuesta, medición, procesamiento, clasificación y modelado. AAPOR exige reconocer estas limitaciones y no presentar una cifra de precisión como si resumiera toda la calidad del estudio.
Muestreo y medición son problemas distintos. Podés seleccionar perfectamente a las unidades equivocadas si definiste mal la población, o seleccionar muy bien a la población correcta y medir mal la variable.
Ejemplo de muestreo en investigación de mercado
Una empresa quiere estimar la satisfacción de sus clientes activos del último trimestre.
Población objetivo: clientes con al menos una compra durante el trimestre.
Marco: CRM con identificador, canal, gasto y dato de contacto válido.
Control de cobertura: se detecta que parte de las compras de marketplace no tiene contacto directo y queda fuera del marco.
Diseño: se estratifica por canal y nivel de gasto y se seleccionan clientes al azar dentro de cada estrato.
Muestra seleccionada: 1.200 clientes reciben la invitación; cada estrato conserva probabilidades de inclusión documentadas.
Respuesta e interpretación: se analiza quién respondió, se aplican los ajustes previstos y se informa la limitación de cobertura del marketplace.
Si, en cambio, la empresa publica un enlace abierto en Instagram y analiza a quienes deciden responder, el mecanismo pasa a ser no probabilístico. Agregar cuotas puede ordenar la composición de los casos, pero no convierte automáticamente esa autoselección en un muestreo probabilístico.
Errores al diseñar un muestreo
Confundir canal con método
“Encuesta online” describe un modo de recolección, no un tipo de muestreo. Puede haber selección probabilística o no probabilística en internet.
Tomar la base disponible como si fuera la población
Un CRM, panel o listado es un marco potencial. Hay que evaluar quién queda fuera, quién aparece duplicado y qué tan actualizado está.
Creer que cuotas equivalen a aleatorización
Las cuotas controlan cantidades por categorías, pero no determinan por sí solas cómo se seleccionan las unidades dentro de cada cuota.
Suponer que más respuestas eliminan el sesgo
Una muestra enorme obtenida por autoselección puede seguir desviada si la probabilidad de participar está relacionada con lo que se quiere medir.
Omitir la no respuesta
El diseño no termina cuando se selecciona la muestra. Si quienes responden difieren sistemáticamente de quienes no responden, la estimación puede sesgarse.
Generalizar más allá del diseño
Las conclusiones deben respetar la población cubierta, el mecanismo de selección, la ejecución y los supuestos utilizados para estimar.
Preguntas frecuentes sobre muestreo
¿Qué es el muestreo en investigación?
Es el proceso de diseñar y ejecutar la selección de unidades de una población para formar la muestra que será observada. Define quién puede ser seleccionado, desde qué marco o mecanismo de acceso y con qué regla de inclusión.
¿Cuál es la diferencia entre muestreo y muestra?
El muestreo es el proceso o diseño de selección. La muestra es el conjunto de unidades que resulta de ese proceso. Una misma población puede producir muestras distintas según el método de muestreo utilizado.
¿Qué diferencia hay entre muestreo probabilístico y no probabilístico?
En el probabilístico la selección incorpora azar y las unidades tienen probabilidades positivas conocidas o calculables de inclusión. En el no probabilístico, la inclusión depende de mecanismos como conveniencia, cuotas, juicio, voluntariado o redes y la inferencia poblacional necesita supuestos adicionales.
¿Qué es un marco muestral?
Es la lista, estructura o mecanismo que permite identificar y acceder a las unidades elegibles para la selección. Si el marco deja afuera grupos relevantes, contiene duplicados o incluye unidades que no corresponden, puede introducir errores de cobertura.
¿El muestreo probabilístico garantiza una muestra representativa?
No. Ofrece una base formal para la selección y para cuantificar incertidumbre de muestreo, pero la calidad final también depende de cobertura, no respuesta, medición, ejecución y procesamiento. Un diseño probabilístico mal ejecutado puede producir resultados sesgados.
¿Cómo se elige un método de muestreo?
Se parte del objetivo y de la población que se quiere estudiar. Después se consideran el marco disponible, el tipo de inferencia necesaria, la precisión buscada, los subgrupos de interés, el costo, el tiempo y las restricciones operativas. No existe un método universalmente mejor para todos los estudios.
Fuentes y referencias
1. Statistics Canada. Sampling. Definición general y familias de muestreo.
2. Statistics Canada. Selection of a sample. Población, marco, unidades, tamaño y diseño de selección.
3. Statistics Canada. Probability sampling. Principios y métodos probabilísticos.
4. Statistics Canada. Non-probability sampling. Métodos, usos, ventajas y limitaciones.
5. American Association for Public Opinion Research (AAPOR). Best Practices for Survey Research. Diseño de muestra, marco y distinción probabilístico/no probabilístico.
6. American Association for Public Opinion Research (AAPOR). Disclosure Standards. Estándares de transparencia sobre población, muestreo, marco y precisión.
7. ESOMAR / GRBN. Guideline on Online Sample Quality. Calidad y transparencia en muestras online.