Tipos de muestreo en un TFG: cuál elegir + ejemplos
Tipos de muestreo en un TFG: cuál elegir con ejemplos
Has preparado la metodología de tu TFG.
Sabes cuál es tu población.
Quieres hacer una encuesta o seleccionar participantes.
Y llega una pregunta que muchas veces se responde demasiado rápido:
¿qué tipo de muestreo estoy utilizando?
Aleatorio.
Por conveniencia.
Intencional.
Estratificado.
Bola de nieve.
Por cuotas.
Parece simplemente una etiqueta que tienes que añadir a metodología.
Pero no.
El tipo de muestreo determina cómo llegan los participantes a tu estudio y condiciona qué puedes afirmar después a partir de los resultados.
No es lo mismo seleccionar aleatoriamente 200 estudiantes de una lista completa de 5.000 que conseguir 200 respuestas difundiendo un Google Forms por WhatsApp e Instagram.
En ambos casos tienes:
200 participantes.
Pero metodológicamente no tienes la misma muestra.
Vamos a verlo paso a paso.
¿Qué es el muestreo en un TFG?
El muestreo es el procedimiento mediante el que seleccionas las unidades que formarán parte de tu estudio a partir de una población de interés.
Por ejemplo:
Población
Todos los estudiantes matriculados en Psicología de la Universidad X.
Supongamos:
3.500 personas.
Muestra
Los 220 estudiantes que finalmente participan en tu investigación.
Muestreo
El procedimiento mediante el que esos 220 estudiantes fueron seleccionados.
Esta última parte es fundamental.
Porque no basta con escribir:
Participaron 220 estudiantes.
También deberías poder explicar:
¿cómo llegaron esos 220 estudiantes a tu estudio?
Población, muestra y muestreo no son lo mismo
Puedes recordarlo así:
Población
A quién quieres estudiar.
Muestra
A quién has estudiado realmente.
Muestreo
Cómo seleccionaste esa muestra.
Ejemplo:
Población
Estudiantes universitarios españoles de 18 a 25 años.
Muestra
186 estudiantes.
Muestreo
No probabilístico por conveniencia mediante difusión online.
Ahora el lector entiende mucho mejor de dónde proceden los datos.
Los dos grandes tipos de muestreo
La clasificación más importante diferencia:
Muestreo probabilístico
La selección incorpora un mecanismo aleatorio y las unidades de la población tienen probabilidades de selección conocidas dentro del diseño utilizado.
Muestreo no probabilístico
La selección no se realiza mediante un procedimiento probabilístico conocido.
Puede depender de:
accesibilidad;
voluntariedad;
criterio del investigador;
características concretas;
contactos entre participantes.
Esta diferencia es fundamental cuando pretendes generalizar resultados.
¿Cuál es mejor para un TFG?
No existe una respuesta universal.
Si tu objetivo exige estimar características de una población con un diseño representativo:
un muestreo probabilístico puede ofrecer ventajas importantes.
Pero muchos estudiantes no disponen de:
listado completo de población;
acceso institucional;
presupuesto;
tiempo;
capacidad para seleccionar aleatoriamente.
Por eso el muestreo no probabilístico aparece con mucha frecuencia en TFG.
Utilizarlo no convierte automáticamente tu estudio en incorrecto.
El problema surge cuando haces esto:
Muestreo real:
compartir encuesta entre amigos y conocidos.
Conclusión:
El 72 % de todos los universitarios españoles piensa...
Ahí existe una distancia demasiado grande entre:
la muestra real
y:
la población sobre la que estás concluyendo.
Muestreo probabilístico
Vamos a empezar por este grupo.
Su característica esencial es que la selección utiliza mecanismos de azar definidos dentro del diseño.
Entre los tipos más habituales aparecen:
Aleatorio simple.
Sistemático.
Estratificado.
Por conglomerados.
Multietápico.
No tienes que utilizar todos.
Debes escoger el que tenga sentido para tu población y recursos.
1. Muestreo aleatorio simple
Es probablemente el más fácil de entender.
Tienes una población:
1.000 estudiantes.
Quieres seleccionar:
Dispones de una lista completa de los 1.000.
Asignas a cada estudiante un número.
Después seleccionas aleatoriamente:
150 números.
Cada individuo tiene una probabilidad conocida de ser seleccionado.
Ese sería un muestreo aleatorio simple.
Ejemplo de TFG
Población:
1.200 estudiantes matriculados en una facultad.
La universidad facilita el listado necesario conforme al procedimiento autorizado.
Necesitas:
200 participantes.
Realizas una selección aleatoria mediante un generador de números.
Contactas con las personas seleccionadas.
Eso es muy diferente de:
publicar un enlace en Instagram y esperar respuestas voluntarias.
Ventajas del muestreo aleatorio simple
Es conceptualmente sencillo.
Reduce la selección deliberada por parte del investigador.
Permite utilizar teoría estadística basada en probabilidades de selección.
Cuando se ejecuta correctamente puede favorecer inferencias sobre la población.
Limitaciones
Necesitas:
un marco muestral.
Es decir:
alguna forma de identificar a todos los miembros elegibles de la población.
Esto puede ser complicado.
Por ejemplo:
quieres estudiar:
consumidores españoles de cosmética.
¿Tienes una lista de todos ellos?
Probablemente no.
El aleatorio simple puede ser ideal sobre el papel y completamente inviable en tu situación real.
Error frecuente: llamar aleatoria a una encuesta difundida públicamente
Escribes:
Se utilizó un muestreo aleatorio porque cualquier persona podía responder.
No.
Que cualquiera pueda encontrar el enlace no significa que todas las personas tengan una probabilidad conocida y controlada de selección.
Si publicas:
“Responde mi encuesta”
en Instagram,
los participantes:
se autoseleccionan.
Eso no es muestreo aleatorio simple.
2. Muestreo sistemático
Imagina que tienes una lista ordenada de:
2.000 personas.
Necesitas seleccionar:
Podrías elegir aproximadamente:
una de cada diez.
Pero no deberías empezar siempre por:
la primera.
Normalmente se selecciona un punto inicial aleatorio y después se aplica un intervalo.
Ejemplo:
Comienzas en:
Seleccionas:
7, 17, 27, 37, 47...
Este procedimiento puede resultar más cómodo que generar cientos de números aleatorios.
¿Cuál es el problema?
El orden de la lista.
Imagina que la lista tiene un patrón:
mañana;
tarde;
mañana;
tarde.
O determinadas características aparecen periódicamente.
Si el intervalo coincide con ese patrón:
puedes generar una muestra sesgada.
Por eso debes conocer cómo está organizada la población antes de aplicar un muestreo sistemático.
3. Muestreo estratificado
Este es muy interesante cuando tu población contiene grupos relevantes que quieres asegurar que estén representados.
Por ejemplo:
Población universitaria:
50 % primer curso.
30 % segundo.
20 % tercero.
Puedes crear:
estratos
según curso.
Después seleccionas aleatoriamente dentro de cada estrato.
Así evitas que por azar termine tu muestra con:
90 % de primero
y:
muy pocos alumnos de otros cursos.
Ejemplo proporcional
Población:
1.000 personas.
Primer curso
Segundo
Tercero
Muestra:
Manteniendo proporciones:
Primer curso:
Segundo:
Tercero:
Después seleccionas aleatoriamente dentro de cada grupo.
Eso sería una forma de muestreo estratificado proporcional.
¿Por qué utilizar estratos?
Puede ayudarte cuando existen subgrupos importantes relacionados con:
edad;
curso;
sexo;
región;
tipo de centro;
categoría profesional.
Pero no crees 25 estratos si tu muestra es:
80 personas.
Puedes terminar con:
dos participantes por categoría.
El diseño debe seguir siendo viable.
Estratificado no es lo mismo que cuotas
Esta diferencia genera mucha confusión.
Ambos pueden buscar:
una determinada composición.
Pero cambia la forma de selección.
Estratificado probabilístico
Después de dividir en estratos:
seleccionas mediante un procedimiento probabilístico dentro de ellos.
Cuotas
Fijas cantidades para determinados perfiles, pero la selección dentro de cada cuota no tiene por qué ser aleatoria.
Por ejemplo:
quieres:
50 hombres
y:
50 mujeres.
Vas seleccionando personas accesibles hasta completar:
cada cuota.
Eso sería:
muestreo por cuotas no probabilístico.
Pueden producir muestras visualmente parecidas.
Pero el mecanismo no es el mismo.
4. Muestreo por conglomerados
Supongamos que quieres estudiar:
estudiantes de colegios de toda una provincia.
Seleccionar personas individualmente puede resultar complicado.
Puedes trabajar con grupos naturales:
colegios.
En lugar de seleccionar estudiantes repartidos por todos los centros:
seleccionas aleatoriamente determinados colegios.
Después estudias:
todos los alumnos
o:
una muestra dentro de esos colegios.
Los colegios funcionan como:
conglomerados.
Otros ejemplos de conglomerados
Pueden ser:
escuelas;
hospitales;
municipios;
empresas;
aulas;
centros de salud.
La unidad inicial de selección es:
el grupo.
No necesariamente cada individuo.
Estratos y conglomerados tampoco son lo mismo
En estratificación:
intentas representar diferentes grupos.
En conglomerados:
seleccionas algunos grupos como unidades de muestreo.
Ejemplo:
Estratificado
Seleccionas estudiantes de:
todos los cursos
porque quieres representación de todos.
Conglomerados
Seleccionas:
4 aulas de las 30 disponibles
y estudias a sus alumnos.
El objetivo metodológico es diferente.
5. Muestreo multietápico
Combina diferentes etapas.
Ejemplo:
Quieres estudiar estudiantes universitarios españoles.
Etapa 1
Seleccionas universidades.
Etapa 2
Dentro de ellas seleccionas facultades.
Etapa 3
Seleccionas cursos.
Etapa 4
Seleccionas estudiantes.
Este tipo de diseño aparece especialmente en grandes investigaciones.
Para un TFG puede resultar demasiado complejo.
No lo utilices para:
“parecer más científico.”
Muestreo no probabilístico
Ahora llegamos al grupo más frecuente en muchos trabajos universitarios.
En estos procedimientos no dispones de probabilidades conocidas de selección dentro de un diseño probabilístico.
Entre los principales:
Conveniencia.
Intencional.
Bola de nieve.
Cuotas.
Autoselección o voluntarios.
Dependiendo de la clasificación pueden aparecer otros nombres y variantes.
1. Muestreo por conveniencia
Es probablemente el más habitual en encuestas de TFG.
Seleccionas personas que:
están disponibles;
son accesibles;
puedes contactar fácilmente;
aceptan participar.
Ejemplo:
Tu población objetivo:
estudiantes universitarios.
Compartes Google Forms mediante:
grupos de clase;
WhatsApp;
Instagram;
compañeros;
contactos universitarios.
Participan quienes:
ven el enlace
y:
deciden responder.
Eso puede describirse como:
muestreo no probabilístico por conveniencia, dependiendo exactamente de cómo hayas realizado la captación.
¿Es malo utilizar conveniencia?
No automáticamente.
En un TFG puede resultar:
realista;
viable;
útil.
El problema no es utilizarlo.
El problema es ocultarlo.
O escribir:
La muestra es representativa de toda España con un 95 % de confianza.
si no has realizado un diseño que permita sostener esa afirmación.
La limitación principal se encuentra en:
la selección.
Las personas accesibles pueden diferir de la población que no tuvo la misma oportunidad de participar.
Statistics Canada destaca precisamente que en muestras no probabilísticas no puede determinarse la probabilidad de selección individual y existe un riesgo importante de sesgo de selección al realizar inferencias sobre la población.
Cómo redactar un muestreo por conveniencia
Puedes escribir algo como:
Se utilizó un muestreo no probabilístico por conveniencia. Los participantes fueron captados mediante la difusión online del cuestionario entre estudiantes que cumplían los criterios de inclusión y aceptaron voluntariamente participar.
Después debes explicar:
canales;
fechas;
criterios;
muestra final.
No necesitas pedir disculpas.
Necesitas ser preciso.
Conveniencia no significa “elegí a quien quise”
No exactamente.
Imagina:
quieres entrevistar profesores.
Hablas únicamente con:
docentes accesibles en tu propio centro.
Puede existir conveniencia.
Pero si dentro de esos docentes seleccionas deliberadamente:
3 de Primaria
3 de Secundaria
3 de Bachillerato
porque necesitas diferentes perfiles,
puede existir también un componente:
intencional.
Las clasificaciones dependen de cómo hayas diseñado realmente el reclutamiento.
Describe el procedimiento.
No te obsesiones con poner una etiqueta si la etiqueta no refleja lo ocurrido.
2. Muestreo intencional
También denominado:
purposive sampling;
muestreo deliberado;
muestreo por criterio;
según la terminología utilizada.
Aquí seleccionas personas porque poseen unas características especialmente relevantes para la pregunta de investigación.
Ejemplo:
TFG:
Experiencia de profesionales hoteleros con herramientas de inteligencia artificial.
No necesitas entrevistar:
personas aleatorias de España.
Necesitas personas que:
trabajen en hoteles;
conozcan los procesos estudiados;
tengan experiencia con herramientas digitales.
Por tanto, puedes seleccionar intencionalmente:
perfiles con experiencia relevante.
Ejemplo
Criterios:
mínimo 3 años en el sector hotelero;
trabajar en recepción o dirección;
haber utilizado sistemas automatizados.
Buscas específicamente personas que cumplan esas características.
No las seleccionas porque representen aleatoriamente:
a toda la población española.
Las seleccionas porque pueden aportar:
información relevante sobre el fenómeno.
¿Es adecuado para cualitativo?
Es muy frecuente.
En investigación cualitativa no siempre buscas:
representatividad estadística.
Puede interesarte seleccionar:
casos informativos;
personas con experiencia;
perfiles concretos.
Por ejemplo:
expertos;
profesionales;
pacientes con una experiencia particular;
docentes especializados.
La lógica de selección responde a:
la riqueza y relevancia de la información.
Intencional y conveniencia no son iguales
Conveniencia:
Entrevisto a estas personas porque puedo acceder fácilmente.
Intencional:
Entrevisto a estas personas porque cumplen características esenciales para la investigación.
Pueden coincidir.
Una persona puede ser:
accesible
y:
relevante.
Pero conceptualmente no son exactamente lo mismo.
3. Muestreo de bola de nieve
Muy útil cuando la población es difícil de localizar.
El proceso básico:
Encuentras:
Participante 1.
Después esa persona te pone en contacto con:
Participante 2.
Participante 2 contacta con:
Participante 3.
Y la muestra va creciendo.
De ahí el nombre:
bola de nieve.
Ejemplo
Quieres estudiar:
emprendedores españoles que hayan cerrado una empresa tecnológica durante los últimos dos años.
No tienes:
una lista completa.
Contactas con:
dos emprendedores.
Ellos conocen:
otros.
Esos nuevos participantes te facilitan más contactos.
Eso puede constituir bola de nieve.
¿Cuándo puede resultar útil?
Especialmente con poblaciones:
difíciles de identificar;
pequeñas;
muy específicas;
poco accesibles;
basadas en redes profesionales o sociales.
Pero tiene una limitación importante:
las personas suelen recomendar a otras parecidas a ellas.
Por tanto, la muestra puede concentrarse en:
determinados círculos.
Ejemplo del sesgo de red
Empiezas con:
un profesional de una empresa tecnológica.
Te recomienda:
tres compañeros.
Ellos recomiendan:
personas de empresas similares.
Terminas con una muestra muy homogénea.
Has accedido a participantes.
Pero quizá no a:
la diversidad total del fenómeno.
Reconócelo.
Cómo redactarlo
Se utilizó un muestreo no probabilístico de bola de nieve. Tras contactar con los primeros participantes que cumplían los criterios de inclusión, estos facilitaron el acceso a otros potenciales participantes con características relevantes para el estudio.
Claro.
4. Muestreo por cuotas
Defines previamente:
cuántas personas necesitas de determinadas categorías.
Ejemplo:
Muestra objetivo:
Quieres:
100 hombres.
100 mujeres.
O:
50 personas en cada grupo de edad.
Después captas participantes hasta completar cada cuota.
La selección dentro de los grupos no necesita ser aleatoria.
Ejemplo de Marketing
Quieres estudiar:
preferencias de consumidores.
Decides:
25 % de 18-25.
25 % de 26-35.
25 % de 36-45.
25 % de 46-55.
Captas personas accesibles hasta completar:
cada cuota.
Esto asegura cierta distribución.
Pero no convierte automáticamente la muestra en probabilística.
Cuotas vs estratificado: recordatorio
Cuotas
No probabilístico.
Las personas dentro de cada categoría pueden seleccionarse por:
accesibilidad.
Estratificado
Probabilístico.
Existe selección aleatoria dentro de los estratos.
Esta diferencia debería quedar muy clara en tu metodología.
5. Autoselección o voluntarios
Publicas:
Buscamos participantes para un estudio sobre videojuegos.
Las personas interesadas entran y responden voluntariamente.
Existe:
autoselección.
Esto puede generar un sesgo.
Quizá quienes participan son precisamente:
jugadores intensivos;
personas muy interesadas;
usuarios con opiniones fuertes.
El voluntariado no representa automáticamente:
a toda la población.
Encuestas online y autoselección
Este problema es especialmente relevante.
Publicas Google Forms en:
Instagram.
Obtienes:
1.000 respuestas.
Número enorme.
Pero:
¿quién decidió participar?
Los propios usuarios.
Tienes mucho:
N.
Pero no necesariamente:
representatividad.
Cantidad y calidad de muestreo no son lo mismo.
¿Qué tipo de muestreo tengo si envío la encuesta por WhatsApp?
Depende.
No se determina únicamente por:
la herramienta utilizada.
Situación A
Tienes una lista de 1.000 estudiantes.
Seleccionas aleatoriamente 200.
Les envías individualmente el enlace por WhatsApp.
Podría seguir existiendo un diseño probabilístico.
Situación B
Pones el formulario en 15 grupos de WhatsApp.
Responde quien quiere.
Probablemente hablamos de un procedimiento no probabilístico.
WhatsApp es:
el canal.
El muestreo es:
el mecanismo de selección.
¿Y si utilizo Instagram?
Misma lógica.
Instagram no es:
un tipo de muestreo.
Es:
un canal de reclutamiento.
El diseño depende de cómo hayas seleccionado y contactado realmente a las personas.
“Muestreo online” tampoco es suficiente
Escribir:
Se utilizó un muestreo online.
no explica el procedimiento.
Puede ser:
aleatorio;
panel probabilístico;
conveniencia;
cuotas;
autoselección.
Explica:
cómo se seleccionó a los participantes.
¿Y si entrevisto a todos los trabajadores de una empresa?
Supongamos:
empresa con:
35 trabajadores.
Invitas:
a los 35.
Responden:
Aquí quizá no estás seleccionando una muestra inicial.
Intentas realizar:
un censo de la población accesible.
Pero acabas con:
29 respondientes.
Todavía debes considerar:
no respuesta.
No escribas automáticamente:
“Participó toda la población”
si seis personas no participaron.
Censo vs muestra
Censo
Intentas recoger información de:
todas las unidades de la población.
Muestra
Seleccionas:
una parte.
Ejemplo:
Empresa:
30 trabajadores.
Encuestas:
Censo.
Empresa:
Seleccionas:
Muestra.
Pero incluso un censo puede tener:
no respuesta.
Invitas 30.
Contestan:
El conjunto final ya no contiene a toda la población.
¿Qué tipo de muestreo necesito para poder generalizar?
Un diseño probabilístico bien ejecutado ofrece una base mucho más clara para realizar inferencias estadísticas hacia la población y cuantificar el error muestral.
En un muestreo no probabilístico la inferencia requiere supuestos adicionales sobre cómo se relaciona la muestra con la población.
Por eso debes ser prudente.
No escribas:
“No se puede aprender nada de una muestra no probabilística.”
Eso sería demasiado extremo.
Puede aportar información muy valiosa.
Pero tampoco escribas:
“Como tengo 500 respuestas, ya es representativa.”
Tampoco es cierto.
Error frecuente: confianza 95 % + conveniencia
Este es probablemente uno de los errores más importantes en TFG.
Utilizas una calculadora online.
Introduces:
población = 10.000.
confianza = 95 %.
margen de error = 5 %.
Obtienes:
Después compartes Google Forms públicamente.
Consigues:
370 respuestas voluntarias.
Y escribes:
“La muestra es representativa con un error del 5 % y una confianza del 95 %.”
Cuidado.
Esos cálculos clásicos de margen de error dependen de un marco probabilístico que no puedes trasladar automáticamente a una muestra de conveniencia.
Llegar al mismo:
N
no transforma el diseño.
¿Qué pongo entonces si tengo conveniencia?
Sé transparente.
La muestra estuvo formada por 370 participantes seleccionados mediante un procedimiento no probabilístico por conveniencia. La captación se realizó mediante difusión online entre personas que cumplían los criterios establecidos.
Después limita las conclusiones.
Eso es mucho más sólido que fingir un diseño probabilístico inexistente.
¿Qué muestreo necesito para un TFG cualitativo?
Muy frecuentemente encontrarás:
muestreo intencional.
Porque buscas personas con:
experiencia concreta.
También puede aparecer:
bola de nieve.
O combinaciones de procedimientos.
Por ejemplo:
Se realizó un muestreo intencional para seleccionar profesionales con experiencia en el fenómeno estudiado y se utilizó posteriormente bola de nieve para acceder a participantes adicionales.
Perfectamente posible.
Describe exactamente:
lo que hiciste.
¿Qué tipo de muestreo necesito para una encuesta?
Puede ser:
probabilístico
o:
no probabilístico.
Depende de:
población;
acceso;
objetivos;
recursos.
No existe:
“muestreo de encuesta.”
La encuesta es:
la técnica.
El muestreo es:
la selección de participantes.
¿Qué muestreo necesito para un estudio de caso?
Quizá el caso en sí se selecciona:
intencionalmente.
Por ejemplo:
escoges Empresa X porque:
ha implantado una tecnología concreta;
permite acceso;
presenta características relevantes.
Después, dentro del caso:
puedes utilizar otro procedimiento para seleccionar empleados.
Puedes tener:
selección intencional del caso
muestreo de conveniencia de trabajadores.
Un estudio puede contener más de una decisión de selección.
Cómo elegir el tipo de muestreo
Hazte estas preguntas.
1. ¿Tengo una lista completa de la población?
Sí:
puedes valorar diseños probabilísticos.
No:
determinados diseños probabilísticos serán mucho más difíciles.
2. ¿Necesito generalizar estadísticamente?
Si la respuesta es fundamental:
prioriza un diseño que permita justificar esa inferencia.
3. ¿Mi población es difícil de localizar?
Bola de nieve puede resultar útil.
4. ¿Busco perfiles con experiencia específica?
Muestreo intencional.
5. ¿Solo tengo acceso a personas cercanas?
Probablemente conveniencia.
6. ¿Necesito asegurar representación de subgrupos?
Puedes valorar:
estratificado
o:
cuotas,
dependiendo de si la selección será probabilística o no.
7. ¿Tengo recursos reales para ejecutarlo?
Un diseño perfecto sobre el papel que no puedes realizar:
no sirve.
Ejemplo 1: Psicología
Pregunta:
Relación entre procrastinación y ansiedad en universitarios.
Situación:
No tienes listado nacional.
Difundes:
Google Forms
entre:
universidades y redes.
Participa quien acepta.
Podrías describirlo como:
muestreo no probabilístico por conveniencia/autoselección, dependiendo del procedimiento exacto.
No:
aleatorio.
Ejemplo 2: Educación
Población:
600 alumnos de un centro.
Dispones del listado.
Necesitas:
Los divides por:
curso.
Seleccionas aleatoriamente una proporción de cada curso.
Muestreo:
probabilístico estratificado.
Ejemplo 3: Recursos Humanos
Empresa:
250 trabajadores.
Quieres comparar:
directivos;
mandos;
personal técnico;
administrativos.
Quieres representación de todos.
Si seleccionas aleatoriamente dentro de cada categoría:
estratificado.
Si simplemente buscas voluntarios hasta llenar una cuota por categoría:
cuotas.
Parecido visualmente.
Muy distinto metodológicamente.
Ejemplo 4: Turismo
TFG:
experiencia de directores hoteleros con inteligencia artificial.
No necesitas:
una muestra aleatoria de habitantes.
Necesitas:
directores con experiencia concreta.
Muestreo:
intencional.
Ejemplo 5: población difícil de localizar
TFG:
experiencias de emprendedores que hayan cerrado una startup en el último año.
Empiezas con:
3 contactos.
Te remiten a otros.
Muestreo:
bola de nieve.
Ejemplo 6: Marketing
Quieres obtener:
400 consumidores.
Deseas:
100 por cada grupo de edad.
Los captas mediante panel online no probabilístico hasta completar:
cada categoría.
Muestreo:
por cuotas.
¿Puedo combinar diferentes tipos?
Sí.
Los estudios reales pueden utilizar diseños complejos.
Por ejemplo:
Etapa 1
Seleccionas intencionalmente:
tres empresas.
Etapa 2
Dentro de ellas:
captas trabajadores por conveniencia.
Otro:
Etapa 1
Seleccionas aleatoriamente:
universidades.
Etapa 2
Estratificas por curso.
Lo importante es:
describirlo correctamente.
No necesitas encontrar una única etiqueta que resuma todo el proyecto si realmente utilizaste varias fases.
Cómo redactar el muestreo en metodología
Una estructura útil:
Tipo de muestreo
Qué procedimiento utilizaste.
Población objetivo
A quién querías estudiar.
Criterios de inclusión
Quién podía participar.
Procedimiento de captación
Cómo contactaste.
Muestra final
Cuántos participaron.
Características
Información relevante.
Ejemplo:
Se utilizó un muestreo no probabilístico por conveniencia. La encuesta fue difundida mediante grupos universitarios y redes sociales entre estudiantes de entre 18 y 25 años matriculados actualmente en estudios de grado. La muestra final estuvo formada por 184 participantes que cumplían los criterios de inclusión.
Sencillo.
Transparente.
Otro ejemplo: intencional
Los participantes fueron seleccionados mediante muestreo intencional atendiendo a su experiencia profesional con procesos de automatización hotelera. Se establecieron como criterios de inclusión contar con al menos tres años de experiencia en el sector y haber trabajado directamente con herramientas digitales de atención al huésped.
Ahora entendemos:
por qué esas personas.
Otro ejemplo: aleatorio simple
A partir del listado de 1.240 estudiantes matriculados se seleccionaron aleatoriamente 220 mediante un generador de números, asignándose previamente un identificador numérico a cada unidad de la población.
Eso permite reproducir el procedimiento.
Otro ejemplo: bola de nieve
Tras seleccionar intencionalmente a tres participantes iniciales, se utilizó un procedimiento de bola de nieve mediante el que estos facilitaron el contacto con otros profesionales que cumplían los criterios establecidos.
Muy claro.
Muestreo y criterios de inclusión no son lo mismo
Ejemplo:
Criterio
Tener entre 18 y 25 años.
Muestreo
Conveniencia.
Puedes tener exactamente los mismos criterios y utilizar:
un muestreo probabilístico.
Los criterios dicen:
quién puede participar.
El muestreo:
cómo seleccionas entre quienes pueden participar.
Muestreo y tamaño muestral tampoco son lo mismo
Puedes tener:
muestreo por conveniencia
con:
1.000 personas.
Y:
muestreo aleatorio
con:
El tipo de muestreo describe:
selección.
El tamaño:
cantidad.
No confundas:
muestra grande
con:
buena selección.
¿Una muestra grande de conveniencia puede ser útil?
Sí.
Puede permitir:
describir participantes;
estudiar relaciones;
comparar grupos;
generar hipótesis;
obtener evidencia relevante.
Pero la generalización debe ser prudente.
No utilices:
N grande
como argumento para convertir una muestra no probabilística en probabilística.
¿Una muestra probabilística pequeña siempre es mejor?
Tampoco.
Puede tener:
muy poca potencia;
gran error;
problemas de no respuesta.
La calidad metodológica depende de varias cuestiones.
Tipo de muestreo y tamaño son:
dos piezas distintas.
No respuesta
Incluso en un muestreo probabilístico existe un problema.
Seleccionas aleatoriamente:
300 personas.
Solo responden:
¿Los 70 son similares a:
los 230 que no respondieron?
Quizá no.
La aleatoriedad inicial no elimina automáticamente:
el sesgo de no respuesta.
Por eso el procedimiento real importa hasta el final.
Voluntarios y no respuesta
En una encuesta voluntaria ocurre algo parecido.
Quienes responden pueden tener:
más interés;
más tiempo;
experiencias más intensas.
Eso puede afectar:
resultados.
No necesitas invalidar todo el estudio.
Reconoce la limitación.
Cómo no redactarlo
La muestra fue aleatoria porque los participantes respondieron voluntariamente.
Incorrecto.
El muestreo fue representativo porque participaron más de 300 personas.
Incorrecto.
Se realizó una encuesta no probabilística al azar.
Contradictorio si no explicas un verdadero mecanismo aleatorio.
Se seleccionaron participantes de forma random por Instagram.
No.
Describe el proceso con precisión.
Muestreo aleatorio no significa “sin criterio”
Un diseño aleatorio necesita:
definir población;
criterios;
marco;
mecanismo de selección.
No significa:
escoger gente “al azar” por la calle.
El azar estadístico debe formar parte de un procedimiento definido.
Cómo saber si realmente es probabilístico
Pregúntate:
¿puedo explicar la probabilidad de selección de cada unidad dentro de mi diseño?
¿existió realmente un mecanismo aleatorio?
¿disponía de un marco adecuado?
Si respondes:
no,
probablemente no deberías presentarlo como:
muestreo probabilístico.
Checklist antes de elegir muestreo
Sé cuál es mi población objetivo.
Sé cuál es mi población accesible.
He definido criterios de inclusión.
Sé si dispongo de un marco muestral.
Sé si necesito generalizar a la población.
Sé si puedo realizar selección aleatoria.
He identificado subgrupos importantes.
Sé cómo contactaré a los participantes.
El procedimiento es viable en mi plazo.
Puedo explicar claramente cómo entró cada persona en el estudio.
No confundo canal de difusión con muestreo.
No confundo tamaño y tipo de muestreo.
No presento conveniencia como aleatorio.
Mis conclusiones respetarán el diseño realmente utilizado.
Preguntas frecuentes
¿Qué tipos de muestreo existen para un TFG?
Pueden dividirse de forma general en probabilísticos y no probabilísticos. Dentro de ellos existen procedimientos como aleatorio simple, sistemático, estratificado, conglomerados, conveniencia, intencional, cuotas o bola de nieve.
¿Cuál es el más utilizado en un TFG?
El muestreo por conveniencia aparece frecuentemente por las limitaciones de acceso y recursos de los estudiantes, pero no existe un tipo universalmente correcto.
¿El muestreo por conveniencia está mal?
No necesariamente. Debes describirlo correctamente, reconocer sus limitaciones y evitar generalizaciones que el diseño no permite justificar.
¿Qué es un muestreo probabilístico?
Es aquel en el que la selección incorpora mecanismos aleatorios y las probabilidades de selección pueden determinarse dentro del diseño.
¿Qué es un muestreo no probabilístico?
Es aquel donde la selección no se basa en un mecanismo probabilístico conocido y puede depender, por ejemplo, de conveniencia, voluntariedad o criterio del investigador.
¿Compartir Google Forms es muestreo por conveniencia?
Puede serlo si la captación se realiza entre personas accesibles y responden voluntariamente. El canal por sí solo no determina el tipo de muestreo.
¿WhatsApp es un tipo de muestreo?
No. Es un canal de captación.
¿Qué diferencia hay entre estratificado y cuotas?
El estratificado utiliza selección probabilística dentro de los estratos. En cuotas se fijan determinadas cantidades por grupo, pero la selección puede realizarse de manera no probabilística.
¿Qué diferencia hay entre conveniencia e intencional?
Conveniencia prioriza accesibilidad. El intencional selecciona participantes por características especialmente relevantes para la investigación.
¿Qué es bola de nieve?
Los participantes iniciales facilitan el acceso a nuevos participantes que cumplen los criterios.
¿Puedo combinar muestreos?
Sí. Determinadas investigaciones utilizan varias etapas o estrategias de selección.
¿Muestra grande significa muestra representativa?
No necesariamente. El número de participantes y el mecanismo de selección son cuestiones diferentes.
¿Puedo calcular margen de error con una muestra por conveniencia?
Debes tener mucho cuidado. Las fórmulas clásicas de error muestral se basan en supuestos de diseños probabilísticos que no pueden trasladarse automáticamente a cualquier encuesta voluntaria.
¿Qué pongo en metodología?
La regla más importante
Cuando redactes la metodología no preguntes únicamente:
¿cuántas personas tengo?
Pregunta:
¿cómo llegaron esas personas hasta mi estudio?
Porque estas dos muestras:
Muestra A
300 participantes seleccionados aleatoriamente de un marco definido.
Muestra B
300 voluntarios captados mediante una publicación abierta.
Tienen:
el mismo N.
Pero metodológicamente no son equivalentes.
El número te dice:
cuántos participaron.
El muestreo te dice:
cómo fueron seleccionados.
Y esa segunda pregunta condiciona muchísimo aquello que podrás defender después en las conclusiones.
No necesitas utilizar el muestreo más sofisticado.
Necesitas utilizar el que realmente sea posible para tu investigación y describirlo con total precisión.
Porque llamar:
“aleatoria”
a una muestra que no lo es no hace que el TFG parezca más riguroso.
Solo hace que la metodología sea menos correcta.
Comentarios