Tipos de Muestreo 2026: Probabilístico y No Probabilístico con Ejemplos

Cuando diseñás el capítulo metodológico de tu tesis, una de las decisiones más críticas es cómo seleccionar a los participantes o casos que van a integrar tu estudio. Los tipos de muestreo determinan si tus resultados pueden generalizarse a toda la población o si solo aplican al grupo específico que estudiaste. Equivocarte en esta decisión no es un problema menor: puede invalidar tus conclusiones o hacer que el jurado evaluador cuestione la representatividad de tus datos.

Muchos tesistas argentinos de grado y posgrado llegan al capítulo de metodología con una idea vaga de que “hay muestras al azar y muestras de conveniencia”, pero sin comprender cuándo corresponde cada una ni cómo justificarla ante el comité evaluador. Esta guía te explica cada tipo de muestreo —probabilístico y no probabilístico— con ejemplos concretos aplicados a investigaciones universitarias en Argentina.

¿Qué es el muestreo y por qué importa en tu tesis?

El muestreo es el proceso mediante el cual seleccionás un subconjunto —la muestra— de una población para estudiarla. La población es el conjunto total de elementos que te interesan (por ejemplo, todos los estudiantes universitarios de la Ciudad de Buenos Aires), mientras que la muestra es el grupo concreto con el que trabajás. Si querés profundizar en la distinción entre estos dos conceptos antes de elegir tu estrategia de muestreo, revisá nuestra guía sobre población y muestra en tesis.

La elección del tipo de muestreo tiene consecuencias directas sobre dos propiedades clave de tu investigación:

• Representatividad: ¿Tu muestra refleja fielmente la diversidad de la población?
• Generalizabilidad: ¿Podés extender tus conclusiones más allá del grupo estudiado?

En investigaciones cuantitativas se busca representatividad estadística para hacer inferencias. En investigaciones cualitativas, el objetivo es la riqueza y profundidad de la información, no la representatividad estadística. El diseño metodológico de tu tesis va a definir cuál de los dos enfoques adoptás y, por lo tanto, qué familia de técnicas de muestreo corresponde usar.

Muestreo probabilístico: tipos y ejemplos

En el muestreo probabilístico, cada elemento de la población tiene una probabilidad conocida y no nula de ser incluido en la muestra. Esto habilita la aplicación de estadística inferencial y la generalización de resultados. Es el estándar de las investigaciones cuantitativas con pretensión de representatividad.

1. Muestreo aleatorio simple

Cada elemento de la población tiene exactamente la misma probabilidad de ser seleccionado. Es el método más básico y el que sirve de base teórica para los demás tipos probabilísticos.

Cómo se aplica: Numerás todos los elementos de la población y usás una tabla de números aleatorios, o una función como =ALEATORIO.ENTRE() en Excel o sample() en R, para seleccionar los casos.

Ejemplo: Una tesista de la Facultad de Psicología de la UBA investiga el bienestar subjetivo en estudiantes de primer año. De un padrón de 800 ingresantes, selecciona aleatoriamente 120 para aplicarles una encuesta estandarizada.

Ventajas: Mínimo sesgo de selección; fácil de entender y justificar ante el tribunal.
Limitaciones: Requiere un padrón completo y actualizado de la población; no garantiza representación de subgrupos minoritarios.

2. Muestreo sistemático

Se elige un punto de partida aleatorio y luego se selecciona cada k-ésimo elemento de la lista. El valor de k se calcula dividiendo el tamaño de la población por el tamaño de la muestra deseada.

Cómo se aplica: Si tenés un listado de 1.000 alumnos y querés 100, calculás k = 1.000/100 = 10. Elegís un número aleatorio entre 1 y 10 como punto de partida (por ejemplo, 4) y tomás los elementos 4, 14, 24, 34… hasta completar la muestra.

Ejemplo: Un tesista de la UTN estudia satisfacción laboral en técnicos de planta. Tiene un listado de 500 empleados y selecciona uno de cada cinco, comenzando desde un número elegido al azar.

Ventajas: Más práctico que el aleatorio simple en listas extensas; garantiza distribución uniforme a lo largo de toda la lista.
Limitaciones: Puede introducir sesgo si hay algún patrón periódico en la lista (por ejemplo, si los supervisores aparecen regularmente cada cinco registros).

3. Muestreo estratificado

La población se divide en subgrupos homogéneos llamados estratos (por sexo, carrera, nivel socioeconómico u otra variable relevante) y luego se aplica muestreo aleatorio dentro de cada estrato. Existen dos variantes principales:

• Proporcional: El tamaño de la muestra de cada estrato es proporcional al tamaño de ese estrato en la población total.
• No proporcional (afijación uniforme u óptima): Se asigna igual o ajustado tamaño a cada estrato para garantizar representación de subgrupos minoritarios o maximizar la precisión global.

Ejemplo: Una investigadora de la UNLP estudia hábitos de lectura en estudiantes universitarios. Como las carreras tienen proporciones muy dispares —Derecho suma miles de alumnos, Astronomía apenas unos cientos—, usa muestreo estratificado proporcional para que ambas disciplinas queden correctamente representadas.

Ventajas: Mayor precisión estadística que el aleatorio simple; asegura representación de cada subgrupo relevante.
Limitaciones: Requiere conocimiento previo de los estratos y sus tamaños relativos.

4. Muestreo por conglomerados

La población se divide en grupos naturales llamados conglomerados (escuelas, barrios, comisiones, establecimientos), se seleccionan algunos conglomerados al azar y se estudian todos —o una muestra— de sus miembros. Hay dos modalidades:

• Monopásico: Se seleccionan los conglomerados y se relevan a todos sus integrantes.
• Bipásico (o polipásico): Primero se seleccionan conglomerados y luego se muestrea aleatoriamente dentro de cada uno.

Ejemplo: Un tesista de Ciencias de la Educación de la UNC investiga clima institucional en escuelas secundarias de Córdoba. En lugar de seleccionar docentes individualmente —logísticamente imposible en las 200 escuelas existentes—, elige al azar 15 establecimientos y encuesta a todos los docentes de esas escuelas.

Ventajas: Muy eficiente cuando la población está geográficamente dispersa; reduce costos y tiempos de relevamiento de manera significativa.
Limitaciones: Presenta mayor error de muestreo que el estratificado; los conglomerados deben ser internamente heterogéneos para maximizar la eficiencia.

Muestreo no probabilístico: tipos y ejemplos

En el muestreo no probabilístico la selección no es aleatoria: depende del criterio del investigador o de la accesibilidad a los participantes. No permite generalización estadística formal, pero es legítimo —y a menudo el único viable— en investigaciones cualitativas, exploratorias o con poblaciones de difícil acceso. Su uso no es un defecto metodológico si lo declarás con transparencia y lo justificás en función de tus objetivos.

1. Muestreo por conveniencia

Se seleccionan los casos más accesibles para el investigador, sin seguir ningún criterio de representatividad. También se lo llama muestreo accidental o incidental.

Ejemplo: Una tesista de Nutrición de la UCA aplica su encuesta sobre hábitos alimentarios a compañeros de cursada y conocidos cercanos porque son los participantes más fáciles de contactar dentro de su cronograma.

Cuándo es válido: Estudios piloto para probar la validez de instrumentos; investigaciones exploratorias iniciales; cuando el acceso a la población es muy restringido y se declara explícitamente como limitación del estudio.
Limitación principal: Alto riesgo de sesgo de selección; los resultados no son estadísticamente generalizables.

2. Muestreo intencional o por juicio

El investigador elige deliberadamente los casos que considera más informativos, representativos o relevantes para los objetivos del estudio. En la bibliografía en inglés se lo conoce como purposive sampling; en español también aparece como muestreo propositivo o por criterio.

Ejemplo: Un tesista de Sociología de la UBA estudia trayectorias laborales de migrantes venezolanos en el AMBA. Selecciona intencionalmente a personas con distintos niveles de educación, tiempo de residencia y tipo de empleo para capturar la máxima variación posible del fenómeno.

Cuándo es válido: Investigaciones cualitativas con enfoque interpretativo, fenomenológico o de teoría fundamentada; estudios de caso; cuando se busca riqueza conceptual más que representatividad estadística.
Limitación principal: Requiere una justificación sólida y explícita de los criterios de selección aplicados.

3. Muestreo bola de nieve (snowball)

Comenzás con unos pocos participantes que cumplen los criterios de inclusión y les pedís que te refieran a otras personas con características similares. La muestra “crece” de forma progresiva a través de las redes de los propios participantes.

Ejemplo: Una investigadora de la UNR estudia experiencias de personas con enfermedades crónicas de baja prevalencia. Como la población es muy pequeña y difícil de identificar a través de padrones convencionales, empieza contactando a tres pacientes de una asociación civil y les solicita que la conecten con otros casos.

Cuándo es válido: Poblaciones ocultas, estigmatizadas o de muy difícil acceso —usuarios de sustancias, personas en situación de alta vulnerabilidad, comunidades cerradas o grupos con características raras.
Limitación principal: Sesgo sistemático hacia las redes sociales del investigador y los participantes iniciales; riesgo de homogeneidad excesiva en la muestra.

4. Muestreo por cuotas

Es la versión no probabilística del muestreo estratificado. El investigador establece cuántos elementos necesita de cada subgrupo —las cuotas— y los recluta hasta cubrirlas. La diferencia decisiva con el estratificado es que dentro de cada cuota la selección no es aleatoria.

Ejemplo: Un tesista de Administración de la UNSAM necesita encuestar a 60 personas: 30 hombres y 30 mujeres, con igual distribución en tres rangos etarios. Recluta participantes entre sus contactos y redes hasta completar cada celda de la cuota establecida.

Cuándo es válido: Investigaciones cuantitativas con recursos muy limitados donde el muestreo estratificado aleatorio es inviable; estudios de mercado o de opinión.
Limitación principal: Al no ser aleatorio, no permite calcular márgenes de error formales ni hacer inferencia estadística.

Tabla comparativa: cuándo usar cada tipo de muestreo

Nota sobre el tamaño muestral

Elegir el tipo de muestreo es solo la mitad del trabajo: también tenés que determinar cuántos casos vas a incluir. Para el muestreo probabilístico, el tamaño de la muestra se calcula con fórmulas estadísticas que consideran el tamaño de la población, el nivel de confianza deseado (habitualmente el 95 %), el margen de error tolerado y la varianza esperada de la variable principal. Podés usar calculadoras en línea como la de Raosoft o, si trabajás con R, el paquete pwr.

Para el muestreo no probabilístico cualitativo, en cambio, el tamaño se guía por el principio de saturación teórica: seguís incorporando participantes hasta que los nuevos casos ya no aportan información conceptualmente novedosa. En estudios cualitativos intensivos esto suele ocurrir entre 10 y 30 participantes, aunque el rango varía según la heterogeneidad del fenómeno y la profundidad del análisis.

Una vez que definiste tu tipo de muestreo y el tamaño de la muestra, el paso siguiente es elegir cómo vas a recoger los datos. Revisá las principales técnicas de recolección de datos —encuestas, entrevistas, observación y análisis documental— y cómo seleccionar la más adecuada a tu diseño.

Si tu tesis combina componentes cuantitativos y cualitativos, es posible que uses distintos tipos de muestreo en cada fase del estudio. Nuestra guía sobre enfoque mixto de investigación explica cómo articular ambas lógicas con coherencia. Y cuando llegués al momento de procesar los datos cuantitativos recolectados, el artículo cómo analizar datos en Excel para tu tesis te va a mostrar el procedimiento paso a paso.

Preguntas frecuentes sobre tipos de muestreo

Tesify: acompañamiento con integridad para tu capítulo metodológico

Definir el tipo de muestreo es un paso crítico, pero es solo una parte del capítulo metodológico. Si estás arrancando a escribir tu tesis o tesina y no sabés bien cómo articular todo el diseño —enfoque, tipo de investigación, muestra, instrumentos y procedimientos—, Tesify puede acompañarte durante el proceso.

La plataforma está diseñada para orientarte en la estructura de tu tesis con criterios de integridad académica: te ayuda a redactar secciones, a revisar la coherencia entre tus objetivos, hipótesis de investigación y diseño metodológico, y a aplicar correctamente las Normas APA. No escribe la tesis por vos, sino que te acompaña para que el trabajo sea genuinamente tuyo. Podés empezar gratis en app.tesify.app.

Si tu diseño incluye entrevistas como instrumento de recolección, también podés revisar nuestra guía sobre cómo hacer entrevistas para tu tesis, donde encontrás el mismo nivel de detalle aplicado a técnicas cualitativas. Para complementar la perspectiva sobre muestreo no probabilístico en contexto español, podés revisar el artículo de tesify.es sobre muestreo no probabilístico en TFG y tesis, que profundiza especialmente en los criterios de justificación ante tribunales académicos.