Las técnicas de muestreo son un conjunto de técnicas estadísticas que estudian la forma de

seleccionar una muestra representativa de la población, es decir, que represente lo más fielmente
posible a la población a la que se pretende extrapolar o inferir los resultados de la investigación,
asumiendo un error mesurable y determinado. Cuando queremos estudiar alguna característica de
una población para obtener el máximo de información veraz, se nos plantea un problema
relacionado con la elección de los individuos. Puesto que no podemos estudiar a toda la población
por varias razones (proceso largo y coste elevado, entre otros), debemos elegir estudiar una
muestra que sea representativa y que nos permita extrapolar los resultados que obtengamos a la
población de referencia. Sin embargo, debemos considerar que el empleo de técnicas de muestreo
implica una serie de ventajas y limitaciones.[ CITATION Día13 \l 10250 ]

Una muestra puede ser obtenida de dos tipos: probabilística y no probabilística. Las técnicas de
muestreo probabilísticas, permiten conocer la probabilidad que cada individuo a estudio tiene de
ser incluido en la muestra a través de una selección al azar. En cambio, en las técnicas de
muestreo de tipo no probabilísticas, la selección de los sujetos a estudio dependerá de ciertas
características, criterios, etc. que él (los) investigador (es) considere (n) en ese momento; por lo
que pueden ser poco válidos y confiables o reproducibles; debido a que este tipo de muestras no
se ajustan a un fundamento probabilístico, es decir, no dan certeza que cada sujeto a estudio
represente a la población blanco [ CITATION Wal96 \l 10250 ]

Técnicas de muestreo probabilístico.

Aleatorio simple: Garantiza que todos los individuos que componen la población blanca tienen la
misma oportunidad de ser incluidos en la muestra. Esta significa que la probabilidad de selección
de un sujeto a estudio “x” es independiente de la probabilidad que tienen el resto de los sujetos
que integran forman parte de la población blanco

Aleatorio estratificado: Se determina los estratos que conforman la población blanca para
seleccionar y extraer de ellos la muestra (se define como estrato a los subgrupos de unidades de
análisis que difieren en las características que van a ser analizadas). La base de la estratificación se
basa en variable como edad, sexo, nivel socioeconómico, etc. Entonces, se divide la población
compuesta por “N” individuos, en “x” subpoblaciones o estratos, con base a variables importantes
para la conducción del estudio, y de tamaños respectivos N1, N2, N3, N4 ..., Nk; y realizando en
cada una de estos estratos, muestreos aleatorios simples de tamaño ni; para finalmente definir
cuantos elementos de la muestra se han de seleccionar de cada uno de los estratos; para lo cual se
dispone de las siguientes opciones: asignación proporcional (el tamaño de la muestra de cada
estrato es proporcional al tamaño del estrato que le dio origen, respecto a la población total) y
asignación óptima (el tamaño de la muestra de cada estrato, son definidos por quien hace el
muestreo)[ CITATION Bai13 \l 10250 ]

Aleatorio sistemático: Cuando el criterio de distribución de los sujetos a estudio en una serie es tal,
que los más similares tienden a estar más cercanos. Este tipo de muestreo suele ser más preciso
que el aleatorio simple, debido a que recorre la población de forma más uniforme. De esta modo,
se seleccionará cada hésimo caso.[ CITATION Ari16 \l 10250 ]
Por conglomerados: Consiste en elegir de forma aleatoria ciertos barrios o conglomerados dentro
de una región, ciudad, comuna, etc., para luego elegir unidades más pequeñas como cuadras,
calles, etc. y finalmente otras más pequeñas, como escuelas, consultorios, hogares (una vez
elegido esta unidad, se aplica el instrumento de medición a todos sus integrantes). Si se desea
realizar un estudio de prevalencia o una encuesta en habitantes de una localidad, el muestreo
aleatorio simple es complejo y de alto costo, ya que estudiar una muestra de tamaño “n”, supone
enviar encuestadores a “x” puntos diferentes de la misma; de tal forma que, en cada uno de estos
puntos, sólo se aplicará una encuesta.[ CITATION Hun15 \l 10250 ]

El muestreo es por lo tanto una herramienta de la investigación científica, cuya función básica es
determinar que parte de una población debe examinarse, con la finalidad de hacer inferencias
sobre dicha población. La muestra debe lograr una representación adecuada de la población, en la
que se reproduzca de la mejor manera los rasgos esenciales de dicha población que son
importantes para la investigación. Para que una muestra sea representativa, y por lo tanto útil,
debe de reflejar las similitudes y diferencias encontradas en la población, es decir ejemplificar las
características de ésta.[CITATION Tam17 \l 10250 ]

Se pueden entender como un paso más complejo en los diseños de investigación sobre los diseños
pre-experimentales, ya que pueden dar respuesta a las situaciones experimentales. 1. El factor o
variable que estudia el experimentador puede ser manipulado y es una posible causa del cambio.
2. El experimentador no tiene un control total sobre la manipulación de las variables objeto de
estudio por lo que la relación que se puede establecer entre ellas es simplemente causal, ya que la
duda es que los efectos se produzcan por las variables objeto de estudio o bien por variables que
hayan podido contaminar el proceso (covariables).[ CITATION Wal96 \l 10250 ]

Los diseños cuasi-experimentales, principales instrumentos de trabajo dentro del ámbito aplicado,
son esquemas de investigación no aleatorios. Dado la no aleatorización, no es posible establecer
de forma exacta la equivalencia inicial de los grupos, como ocurre en los diseños experimentales.
Cook y Campbell (1986) consideran los cuasi-experimentos como una alternativa a los
experimentos de asignación aleatoria, en aquellas situaciones sociales donde se carece de pleno
control experimental:

Los cuasi-experimentos son como experimentos de asignación aleatoria en todos los aspectos,
excepto en que no se puede presumir que los diversos grupos de tratamiento sean inicialmente
equivalentes dentro de los límites del error maestral[ CITATION Cam88 \l 10250 ]

¿Qué es un cuasi-experimento? Es una investigación que posee todos los elementos de un

experimento, excepto que los sujetos no se asignan aleatoriamente a los grupos. En ausencia de
aleatorización, el investigador se enfrenta con la tarea de identificar y separar los efectos de los
tratamientos del resto de factores que afectan a la variable dependien[ CITATION Ped911 \l
10250 ]

Los diseños cuasi-experimentales tienen el mismo propósito que los estudios experimentales:
probar la existencia de una relación causal entre dos o más variables. Cuando la asignación
aleatoria es imposible, los cuasi-experimentos (semejantes a los experimentos) permiten estimar
los impactos del tratamiento o programa, dependiendo de si llega a establecer una base de
comparación apropiada[ CITATION Hed93 \l 10250 ]
Diseños de series temporales interrumpidas. Consiste en tomar una serie de medidas del criterio
(variable dependiente) a lo largo de un determinado periodo de tiempo, interrumpir la serie con la
aplicación del tratamiento (variable independiente) y continuar con otra serie de medidas del
criterio (variable dependiente). Los problemas que se pueden dar en este tipo de diseños son: -
Saber hasta qué punto los cambios se pueden deber al tratamiento - Los efectos del tratamiento
pueden ser continuos (se mantiene a lo largo del tiempo) o discontinuos (decae con el paso del
tiempo). - Algunos tratamientos o intervenciones deben ser introducidas de forma gradual. - Las
medidas recogidas tienen que ser lo suficientemente amplias

Diseño simple de series temporales interrumpidas. Requiere una serie de sujetos a los que se
toman una serie de medidas antes y después de aplicarles un tratamiento.[ CITATION Rei79 \l
10250 ]

. Diseños de grupo control no equivalente (DGCNE)

El DGCNE es una estructura de investigación cuasi-experimental donde existe un grupo de

tratamiento y otro de control. En ambos grupos, las medidas pueden tomarse sólo después, o bien
antes y después de la aplicación del tratamiento. Así, se tienen los DGCNE con sólo medidas
después y los DGCNE con medidas antes y después. En cualquier caso, los sujetos pueden ser
seleccionados de poblaciones diferentes, o bien se asignan grupos de sujetos a las condiciones
control o de tratamiento (diseños de grupos intactos). [ CITATION Wal96 \l 10250 ]

Diseños de discontinuidad en la regresión (DDR)

El DDR es una estructura cuasi-experimental cuyo formato básico consta de una medida o variable
antes y una medida después que refleja el efecto de tratamiento. En esta clase de diseño, el
criterio de asignación de las unidades a los grupos es conocido.[ CITATION Ped91 \l 10250 ]

Bibliografía
Arias-Gómez, J., & Villasís-Keever M. Á. & Miranda-Novales, M. (2016). The research protocol III.
Study population. mexico: Study population. Rev. Alerg. Mex.

Bai, X., & Tsiatis, A. A. (2013). Doubly-robust estimators of treatment-specific survival distributions
in observational studies with stratified sampling. alemania.

Campbell, D. &. (1963). Diseños experimentales y cuasi-experimentales en la investigación social.

Buenos Aires: Amorrortu.

Campbell, D. (1988). Methodology and epistemology for social science: Selected papers. chicago:
IL: University of Chicago Pres.

Díaz, N. C. (2013). Técnicas de muestreo. Sesgos más frecuentes. En N. C. Díaz. colombia.

Hedrick, T. B. (1993). Applied research design. A practical guide. Newbury Park: ca:Sage.

Hund, L., & Bedrick, E. J. (2015). Choosing a cluster sampling design for lot quality assurance
sampling surveys. PLoS One.
Manterola, T. O. (2017). Técnicas de Muestreo sobre una Población a Estudio. Sampling
Techniques on a Population Study.

Pedhazur, E. y. (1991). Measurement, design, and analysis. An integrated approach. Hillsdale:

Lawrence Erlbaum Associates.

Pedhazur, E. y. (1991). Measurement, design, and analysis. An integrated approach. . Hillsdale:

Lawrence Erlbaum Associates.

Reichardt, C. (1979). Quasi-experimentation. Design and analysis issues for field settings. Chicago:
Rand McNally.

Walpole, R. E. (1996). Probabilidad y Estadística. 4ª. ed. Ciudad de México: McGraw-Hil.