El muestreo es el procedimiento con el que se decide qué unidades de una población se van a observar. Un buen diseño de muestreo hace dos cosas: produce una muestra que se parece a la población y permite calcular cuánto puede equivocarse el resultado. Los métodos se dividen en dos familias. En los probabilísticos, cada unidad tiene una probabilidad conocida (y mayor que cero) de ser elegida, lo que permite calcular márgenes de error. En los no probabilísticos, la selección depende del criterio del investigador o de la voluntad de los participantes, y el error no se puede cuantificar con fórmulas.
Métodos probabilísticos
| Método | Cómo funciona | Cuándo conviene |
|---|---|---|
| Aleatorio simple | Sorteo directo de n unidades de una lista | Población homogénea y con lista completa |
| Sistemático | Una unidad cada k, con arranque aleatorio | Listas largas, filas de producción, archivos |
| Estratificado | Divides en grupos (estratos) y sorteas dentro de cada uno | Grupos que difieren entre sí y quieres asegurar a todos |
| Por conglomerados | Sorteas grupos completos (escuelas, manzanas) | Sin lista de individuos o población muy dispersa |
| Polietápico | Combina varios: sorteas municipios, luego manzanas, luego viviendas | Encuestas nacionales de hogares |
Las grandes encuestas oficiales de hogares suelen ser polietápicas, estratificadas y por conglomerados al mismo tiempo, porque es la única forma práctica de cubrir todo un país.
Métodos no probabilísticos
- De conveniencia: a quien esté disponible (los clientes de hoy, los alumnos de tu grupo).
- Voluntario: quien decide contestar (encuestas en redes sociales). Tiende a captar opiniones intensas.
- Por cuotas: se fijan cuántos de cada grupo (por ejemplo, 50 % mujeres), pero dentro del grupo la elección es libre.
- Bola de nieve: cada participante recomienda a otros. Útil para poblaciones difíciles de localizar.
Sirven para explorar, probar un cuestionario o estudiar grupos ocultos, pero sus resultados no se pueden generalizar con un margen de error.
Cómo elegir el método
- ¿Tienes una lista de todas las unidades? Si no, piensa en conglomerados.
- ¿Hay grupos que difieren mucho en lo que mides? Estratifica por ellos.
- ¿La población está dispersa geográficamente? Los conglomerados abaratan el trabajo de campo, a cambio de algo de precisión.
- ¿La lista tiene un orden periódico? Evita el sistemático o elige k que no coincida con el ciclo.
- Calcula el tamaño de muestra según el método: los conglomerados requieren más unidades para la misma precisión.
Ejemplos resueltos
Ejemplo 1: muestreo sistemático de facturas
Un auditor quiere revisar 60 de las 1,200 facturas de un año, numeradas del 1 al 1,200.
- Intervalo: k = 1,200 ÷ 60 = 20.
- Arranque aleatorio entre 1 y 20, por ejemplo con
=ALEATORIO.ENTRE(1,20): sale 7. - Facturas elegidas: 7, 27, 47, 67, …, 1,187. La última es 7 + 59 × 20 = 1,187.
Cada factura tiene la misma probabilidad de entrar (1 de 20). Riesgo a vigilar: si la numeración tuviera un ciclo de 20 (por ejemplo, 20 sucursales que facturan en orden fijo), el auditor revisaría siempre la misma sucursal.
Ejemplo 2: conglomerados en una escuela
Una secundaria tiene 30 grupos de unos 35 alumnos y no hay una lista única actualizada. En lugar de sortear alumnos, se sortean 5 grupos y se encuesta a todos sus integrantes: unos 175 alumnos.
- Ventaja: se aplica el cuestionario en cinco salones, en una mañana.
- Costo: los alumnos de un mismo grupo se parecen entre sí (mismo maestro, mismo horario), así que 175 alumnos de 5 grupos informan menos que 175 alumnos sorteados uno por uno. La pérdida se mide con el «efecto de diseño»: si vale 2, esos 175 equivalen a unos 88 alumnos de un muestreo aleatorio simple.
Para compensarlo, se pueden sortear más grupos y encuestar a una parte de cada uno.
Errores comunes
- Llamar «aleatoria» a una muestra elegida a criterio («escogí a varios, sin fijarme»).
- Calcular el margen de error con la fórmula del aleatorio simple en una muestra por conglomerados: el error real es mayor.
- Usar una muestra voluntaria grande y presentarla como representativa.
- Olvidar la no respuesta: el diseño puede ser perfecto y la muestra final, sesgada, si responden solo ciertos perfiles. Lo explica el sesgo de selección.