Una muestra grande puede producir una inferencia débil si las unidades seleccionadas no corresponden a la población, al fenómeno o al tipo de afirmación que el estudio pretende sostener.
Muestrear no consiste solamente en decidir cuántos casos estudiar. Significa establecer qué universo es relevante, qué unidades pueden aportar evidencia, mediante qué mecanismo serán seleccionadas y hasta dónde podrán extenderse legítimamente las conclusiones.
Decisión inicial
Ejemplo construido. Un proyecto pretende estimar las prácticas de evaluación de todos los docentes de una universidad. La investigadora envía un cuestionario únicamente a quienes participan voluntariamente en un grupo institucional de innovación educativa y obtiene muchas respuestas. ¿Qué problema debe resolverse antes de interpretar el resultado como descripción de toda la universidad?
Objetivo didáctico
🎯 Al finalizar esta lección
diseñarás y justificarás una estrategia de muestreo coherente con la población o universo relevante, la unidad de análisis, el diseño metodológico y la inferencia prevista, estableciendo criterios de selección, marco muestral o mecanismo de acceso, suficiencia de casos y límites explícitos de generalización o transferencia.
Introducción
La palabra muestra suele activar inmediatamente una pregunta cuantitativa: “¿cuántos participantes necesito?”. En un protocolo doctoral esa pregunta aparece demasiado pronto. Antes debe establecerse de qué conjunto se quiere hablar, qué unidad producirá la evidencia, cómo será posible acceder a ella y qué clase de inferencia se pretende realizar.
En esta lección utilizaremos universo o población objetivo para referirnos al conjunto de unidades sobre el cual el proyecto pretende construir determinadas afirmaciones. El marco muestral es la representación operativa desde la cual puede ejecutarse una selección en los diseños que lo requieren. La muestra es el subconjunto efectivamente incorporado al estudio. Estas tres entidades no deben asumirse como idénticas.
En un estudio cuantitativo orientado a inferencia poblacional, el mecanismo mediante el cual las unidades entran a la muestra es decisivo. Las muestras probabilísticas se apoyan en un mecanismo conocido de selección que permite fundamentar inferencias de diseño bajo condiciones explícitas. Las muestras no probabilísticas necesitan otra clase de justificación y no adquieren propiedades probabilísticas únicamente porque alcancen un tamaño elevado.
En investigación cualitativa, la lógica cambia: los casos pueden seleccionarse deliberadamente por su capacidad para iluminar un fenómeno, contrastar configuraciones, representar posiciones relevantes o desarrollar categorías. La suficiencia no se determina aplicando mecánicamente una fórmula poblacional, sino examinando qué información aporta la muestra respecto del propósito analítico.
En todos los casos permanece una misma regla: la estrategia de muestreo debe diseñarse desde la inferencia que se desea producir y no justificarse retrospectivamente a partir de las unidades que resultaron más accesibles.
💡 Pregunta rectora
Antes de decidir cuántos casos necesitas, responde: “¿sobre quién o qué quiero afirmar algo y mediante qué lógica esos casos me autorizan a sostenerlo?”.
Desarrollo del tema
Universo, población objetivo, marco muestral y unidad de análisis
El primer problema de muestreo es conceptual. Si el estudio pregunta por prácticas de evaluación de docentes universitarios, debe especificar qué significa “docentes universitarios”: ¿todos los contratados durante un periodo?, ¿quienes imparten al menos una asignatura?, ¿docentes de determinado nivel?, ¿la población de una institución o un sistema completo? Cada delimitación produce una población distinta.
A continuación aparece el marco muestral. Puede existir una población conceptualmente bien definida y, sin embargo, no disponer de un listado o mecanismo que la cubra adecuadamente. Si el marco omite determinados tipos de unidades o contiene unidades que no pertenecen realmente a la población, aparece un problema de cobertura. Por ello, definir la población no equivale a disponer automáticamente de un marco adecuado.
La unidad de análisis añade otra distinción. Un proyecto puede obtener información de estudiantes, pero construir afirmaciones sobre grupos, cursos o escuelas. También puede entrevistar directivos para analizar políticas institucionales. Las personas que proporcionan datos no necesariamente son la entidad sobre la cual se construye la inferencia.
Esta diferencia tiene consecuencias estadísticas y cualitativas. Cuando las unidades están anidadas —por ejemplo, estudiantes dentro de grupos y grupos dentro de escuelas— la estructura de dependencia debe formar parte del diseño. En investigación cualitativa, seleccionar personas de una organización tampoco significa que el “caso” sea necesariamente cada persona: el caso puede ser la organización, un proceso, una interacción o una configuración institucional.
Explora las cuatro capas
Aplicación. Construye cuatro frases independientes para tu proyecto: “mi población objetivo es…”, “mi marco o mecanismo de acceso será…”, “seleccionaré como unidades…”, “mis inferencias se referirán a…”. Si las cuatro frases terminan con exactamente la misma expresión sin una justificación explícita, comprueba que no estés colapsando niveles distintos del diseño.
Muestreo probabilístico y no probabilístico: la diferencia es inferencial
Un muestreo probabilístico utiliza un mecanismo de selección aleatoria cuya estructura permite conocer o derivar probabilidades de inclusión bajo el diseño. Esta propiedad sostiene formas de inferencia basadas en el mecanismo de muestreo. Sin embargo, que un proyecto anuncie “selección aleatoria” no basta: deben examinarse el marco, las probabilidades de inclusión, las etapas del diseño, la no respuesta y cualquier ponderación necesaria.
Los diseños pueden utilizar selección aleatoria simple, estratificación, conglomerados, múltiples etapas u otras configuraciones. La elección no debe obedecer a una jerarquía donde la muestra aleatoria simple sea siempre “mejor”. Un diseño estratificado puede resultar preferible cuando el propósito exige precisión para subpoblaciones relevantes; un diseño por conglomerados puede responder a restricciones operativas, pero modificar la precisión debido a la semejanza entre unidades pertenecientes al mismo conglomerado.
En una muestra no probabilística, la inclusión no surge de un mecanismo probabilístico conocido para todas las unidades de la población. Esto no convierte automáticamente al estudio en inválido. Cambia, sin embargo, qué justificación se necesita y qué inferencias pueden realizarse. En encuestas no probabilísticas, por ejemplo, la inferencia poblacional requiere supuestos y ajustes adicionales; un margen clásico de error muestral no puede atribuirse mecánicamente como si se tratara de una muestra probabilística.
La palabra “representativa” debe emplearse con particular cautela. Una muestra no se vuelve representativa porque conserve porcentajes similares en dos o tres características visibles. Pueden existir diferencias en variables no observadas vinculadas tanto con el mecanismo de inclusión como con el resultado estudiado.
Diagnostica el mecanismo de selección
Ejemplo construido. Una universidad cuenta con un listado actualizado de 8 facultades. El investigador selecciona aleatoriamente facultades, luego grupos dentro de ellas y finalmente invita a todos los estudiantes de los grupos seleccionados. ¿Qué debe reconocer en su diseño?
Aplicación. Dibuja el recorrido exacto mediante el cual una unidad llegará desde tu población objetivo hasta la base final de datos. En cada transición escribe quién o qué decide su inclusión. Si aparece “participa quien acepta el enlace” o un mecanismo semejante, explica qué sesgo de selección podría producirse respecto de tu variable principal.
El tamaño de muestra se justifica desde el objetivo inferencial
No existe un tamaño muestral universalmente adecuado para “una tesis doctoral”. El número necesario depende de aquello que se pretende aprender de los datos. Lakens propone que la justificación del tamaño se conecte explícitamente con el valor informativo esperado respecto de las metas inferenciales del estudio.
En estudios cuantitativos orientados a contraste de hipótesis, un análisis de potencia a priori puede formar parte de la justificación cuando el proyecto puede especificar parámetros relevantes y un efecto que resulte sustantivamente significativo. Sin embargo, la potencia no es la única lógica posible. Si la meta principal consiste en estimar con determinada precisión, el tamaño debería planificarse atendiendo a la precisión de la estimación.
También puede ocurrir que la población accesible sea pequeña y el estudio intente incorporar prácticamente todas sus unidades. O que existan restricciones de recursos que impongan un límite. En este último caso, la restricción debe hacerse explícita y analizarse qué inferencias seguirán siendo informativas bajo ese tamaño, en lugar de transformar la limitación operativa en una supuesta regla metodológica.
Una regla del tipo “N participantes por variable” o una cifra fija transmitida por tradición puede funcionar ocasionalmente como heurística, pero no explica por qué esos datos serán suficientes para responder la pregunta específica del proyecto. El doctorando debe construir una justificación vinculada con el modelo, el efecto o precisión relevante, la estructura de los datos y el análisis previsto.
💡 Cambio de pregunta
En lugar de “¿cuántas personas necesito?”, pregunta “¿qué debe permitirme aprender la muestra y cuánta información necesito para que esa inferencia sea suficientemente precisa o sensible?”.
Selecciona la lógica de justificación
Aplicación. Redacta tu justificación del tamaño muestral sin escribir todavía una cifra. Explica primero qué inferencia deberá ser informativa, qué precisión o sensibilidad requiere y qué parámetros deberán conocerse o estimarse. Solo después selecciona el procedimiento de cálculo compatible con esa lógica.
Muestreo intencional y suficiencia en investigación cualitativa
En investigación cualitativa, seleccionar casos deliberadamente no constituye una versión deficiente del muestreo probabilístico. Responde a otro propósito. Los participantes, eventos, documentos o situaciones pueden seleccionarse porque permiten observar con especial riqueza un proceso, contrastar configuraciones, incorporar posiciones divergentes o explorar límites de una explicación emergente.
La expresión muestreo intencional reúne múltiples estrategias. Un proyecto puede buscar casos típicos, máxima variación, casos críticos, criterios específicos, casos contrastantes o incorporar nuevos casos conforme avance el análisis teórico. La estrategia debe nombrarse y justificarse por la función analítica que cumple, no solo mediante la frase genérica “se seleccionará una muestra por conveniencia”.
La suficiencia cualitativa tampoco se reduce a alcanzar un número establecido universalmente. Malterud, Siersma y Guassora proponen el concepto de poder informativo: cuanto mayor sea la información relevante que los casos aportan respecto del estudio concreto, menor puede ser el número necesario. Entre los factores que modifican esa suficiencia se encuentran el propósito del estudio, la especificidad de la muestra, el uso de teoría, la calidad del diálogo y la estrategia de análisis.
Este razonamiento no significa que el tamaño pueda justificarse después mediante una afirmación vaga de “saturación”. El proyecto debe anticipar cómo evaluará suficiencia y qué diversidad necesita incorporar. Si pretende construir comparaciones entre posiciones muy diferentes, una muestra estrechamente homogénea puede poseer gran profundidad pero no permitir el contraste que el objetivo promete.
Audita el poder informativo de tu estrategia
Aplicación. Especifica por qué necesitas cada tipo de caso previsto en tu estudio. Sustituye descripciones como “entrevistaré docentes disponibles” por formulaciones funcionales: “necesito incorporar docentes con X y Y trayectorias porque la comparación permitirá examinar…”. Si un perfil no cumple ninguna función analítica explícita, reconsidera su inclusión.
Diseñar el muestreo desde la inferencia y coordinarlo en métodos mixtos
El muestreo se completa cuando el investigador puede explicar no solo quién será seleccionado, sino qué inferencia quedará autorizada por esa selección. Una muestra probabilística puede apoyar una generalización estadística hacia una población definida bajo los supuestos del diseño. Una selección intencional puede sostener inferencias analíticas acerca de procesos, configuraciones o mecanismos, pero no debe presentarse automáticamente como estimación de frecuencias poblacionales.
En métodos mixtos, ambas lógicas pueden coexistir. Teddlie y Yu describen estrategias que combinan muestreo probabilístico e intencional. La cuestión central no consiste en elegir una etiqueta híbrida, sino en justificar cómo se relacionan las muestras de cada componente.
Por ejemplo, una primera fase cuantitativa puede seleccionar una muestra con propósito de estimación y utilizar posteriormente determinados perfiles identificados en los resultados para construir una muestra cualitativa de contraste. En otro diseño, una fase cualitativa inicial puede permitir construir categorías que posteriormente orienten una estrategia de medición en una población más amplia.
La integración exige declarar si las muestras son idénticas, anidadas, parcialmente superpuestas o distintas; qué información de una fase determina la selección de la siguiente; y qué inferencia pertenece a cada componente. Utilizar participantes distintos en dos fases no constituye un problema por sí mismo. El problema aparece cuando el proyecto combina resultados sin poder explicar cómo se relacionan las poblaciones y unidades que los produjeron.
Construye la relación entre muestras
Escenario construido. Una primera fase estima patrones de uso de inteligencia artificial entre estudiantes doctorales. Después se quiere comprender por qué ciertos perfiles utilizan estas herramientas de maneras cualitativamente distintas.
Aplicación. Si tu proyecto tiene más de una fase, construye una fila por fase y especifica población objetivo, unidad de selección, unidad de análisis, estrategia de muestreo, función de la muestra e inferencia resultante. Después dibuja una flecha entre fases únicamente cuando puedas explicar qué información viaja realmente de una a otra.
| Pregunta | Cuantitativo poblacional | Cualitativo intencional | Mixto |
|---|---|---|---|
| ¿Por qué estos casos? | Por el mecanismo de selección respecto de una población definida. | Por la función analítica de los casos respecto del fenómeno. | Por la función específica de cada componente y su integración. |
| ¿Qué justifica la cantidad? | Precisión, potencia, población u otra meta inferencial explícita. | Poder informativo y necesidades del análisis. | Una justificación diferente para cada fase. |
| ¿Hasta dónde inferir? | Hasta la población y bajo los supuestos que permita el diseño. | Hacia procesos, configuraciones o conceptos justificadamente construidos. | Según el alcance propio de cada componente y de la integración. |
Aplicación. Escribe la frase exacta con la que esperas reportar tu conclusión principal: “Los resultados permiten inferir que…”. Luego identifica qué elemento de tu diseño muestral autoriza cada palabra de esa afirmación. Reduce cualquier término —“todos”, “la población”, “causa”, “generalizable”— que exceda la lógica real de selección.
Conclusión
El muestreo es una parte de la arquitectura inferencial del proyecto. Una población objetivo precisa no garantiza que el marco muestral la cubra; disponer de muchas observaciones no elimina una selección sistemáticamente sesgada; y utilizar azar en una etapa no convierte automáticamente todo el diseño en una muestra aleatoria simple.
En estudios cuantitativos, la justificación debe hacer explícito cómo el mecanismo de selección y el tamaño de la muestra sostienen la inferencia. El tamaño se determina desde aquello que el estudio necesita aprender —precisión, sensibilidad para determinados efectos, cobertura u otra meta defendible— y no desde una cifra convencional.
En investigación cualitativa, la pregunta equivalente es qué casos permiten producir la información necesaria para desarrollar el análisis. La selección intencional necesita una lógica: cada perfil, caso o documento debe cumplir una función en la construcción, ampliación o contraste de la interpretación.
En métodos mixtos, las lógicas pueden combinarse, pero no fusionarse indiscriminadamente. Cada fase conserva su propia relación entre selección e inferencia y el investigador debe explicar cómo esas inferencias se conectan.
La siguiente lección trasladará esta arquitectura a la dimensión temporal de la producción de evidencia: pretest y postest en la planeación de datos. Allí será necesario examinar por qué observar un cambio antes y después de una intervención no basta, por sí solo, para atribuir el cambio a la intervención.
🔭 Para seguir aprendiendo
- Toma tres artículos de tu campo y reconstruye la relación entre población objetivo, muestra efectiva y alcance real de sus conclusiones.
- Localiza un estudio que se describa como “representativo” y examina qué mecanismo de selección y qué evidencia justifican específicamente esa afirmación.
- Si trabajas cualitativamente, compara dos estrategias intencionales posibles y demuestra qué tipo de conocimiento adicional produciría cada una.
Actividad de aprendizaje autónoma
Diseño argumentado de la estrategia de muestreo
Construye la estrategia de selección de unidades para tu proyecto doctoral. La entrega debe permitir que un lector externo reconstruya desde qué universo parte el estudio, por qué determinadas unidades pueden ingresar a la muestra, qué cantidad o diversidad necesitas y hasta dónde podrá extenderse la inferencia.
Tu entrega debe incluir:
- Población o universo objetivo. Define mediante criterios explícitos de pertenencia y exclusión el conjunto relevante para la pregunta. Evita expresiones indeterminadas como “docentes”, “estudiantes” o “escuelas” sin especificar las condiciones que los incorporan al universo.
- Unidad de análisis. Identifica sobre qué entidad construirás tus afirmaciones. Distingue unidad de análisis, unidad de selección y fuente de información cuando no coincidan.
- Marco muestral o mecanismo de acceso. Describe cómo localizarás las unidades elegibles. Identifica posibles exclusiones, duplicidades, falta de cobertura o dependencias institucionales.
- Ruta de muestreo. Define si utilizarás una estrategia probabilística, intencional, teórica, de casos, mixta u otra que puedas justificar. Si existe más de una etapa, representa cada selección y el mecanismo que la gobierna.
- Justificación inferencial. Explica qué clase de conclusión podrá sostener la muestra. Diferencia explícitamente generalización estadística, inferencia analítica, transferencia, explicación de procesos u otra forma de inferencia pertinente.
- Suficiencia cuantitativa, cuando corresponda. Define qué principio utilizarás para justificar el tamaño: precisión, potencia, cobertura de la población, restricciones explícitas u otra estrategia metodológicamente defendible. Identifica los parámetros que todavía necesitas estimar antes de fijar el tamaño definitivo.
- Suficiencia cualitativa, cuando corresponda. Explica qué perfiles, configuraciones o contrastes necesita el estudio. Analiza el poder informativo previsto considerando propósito, especificidad de los casos, teoría, calidad esperada de la información y estrategia analítica.
- Estrategia mixta, cuando corresponda. Define una muestra para cada fase e indica si son idénticas, anidadas, parcialmente superpuestas o distintas. Explica qué resultado de una fase modifica la selección de la siguiente.
- Mapa de riesgos. Identifica al menos cinco amenazas relacionadas con cobertura, selección, no respuesta, acceso, pérdida de casos, dependencia entre unidades o insuficiencia de información. Para cada una propone una acción de prevención, documentación o análisis.
- Frontera de inferencia. Redacta dos afirmaciones: la conclusión más fuerte que el muestreo podría permitir sostener y otra conclusión cercana que estaría fuera del alcance. Justifica la frontera entre ambas.
🛠 Planificador de estrategia muestral
📊 Evidencia de logro
Documento técnico de aproximadamente 2,000 a 3,000 palabras, acompañado por el diagrama de selección y las matrices necesarias. La evidencia se considera lograda cuando distingue población, marco, unidad de selección y unidad de análisis; justifica la lógica y suficiencia del muestreo; anticipa amenazas de cobertura y selección; y establece una frontera inferencial explícita entre aquello que la muestra permite afirmar y aquello que no permite sostener.
Si pudieras duplicar mañana el número de participantes sin modificar cómo son seleccionados, ¿qué debilidad inferencial de tu diseño permanecería exactamente igual?
Referencias bibliográficas
- American Association for Public Opinion Research. (2023). Nonprobability online survey samples: A report of the AAPOR Task Force on Nonprobability Sampling. AAPOR.
- Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267.
- Malterud, K., Siersma, V. D., & Guassora, A. D. (2016). Sample size in qualitative interview studies: Guided by information power. Qualitative Health Research, 26(13), 1753–1760.
- Sandelowski, M. (1995). Sample size in qualitative research. Research in Nursing & Health, 18(2), 179–183.
- Teddlie, C., & Yu, F. (2007). Mixed methods sampling: A typology with examples. Journal of Mixed Methods Research, 1(1), 77–100.