Muestreo aleatorio simple: qué es, cómo se hace paso a paso y un ejemplo para tu tesis

Cuando tu tesis depende de una encuesta o de una medición sobre muchas personas, la pregunta de fondo es siempre la misma: ¿cómo saco conclusiones sobre todos si sólo voy a estudiar a unos pocos? El muestreo aleatorio simple es la respuesta más directa y, al mismo tiempo, la base sobre la que se construyen los demás diseños probabilísticos.

En este artículo vas a ver qué es exactamente, qué condiciones exige, cómo aplicarlo paso a paso, cómo estimar cuántos casos necesitás y en qué situaciones conviene elegir otra técnica. Al final hay un ejemplo completo con números.

Qué es el muestreo aleatorio simple

El muestreo aleatorio simple es un procedimiento de selección en el que todos los integrantes de la población tienen la misma probabilidad de entrar en la muestra y la selección de uno no depende de la de los demás. Otzen y Manterola (2017), en su revisión sobre técnicas de muestreo, lo describen justamente así: garantiza que todos los individuos de la población blanco tengan la misma oportunidad de ser incluidos.

La definición técnica va un paso más allá. En los apuntes del curso de muestreo de Penn State (STAT 506) se lo define como un muestreo sin reposición en el que toda muestra posible de tamaño n tiene la misma probabilidad de ser seleccionada. La diferencia importa: no alcanza con que cada persona tenga su chance, también tienen que ser igualmente probables todas las combinaciones posibles de personas.

Forma parte de la familia de los muestreos probabilísticos, junto con el estratificado, el sistemático y el de conglomerados. Lo que lo distingue es que no usa ninguna información previa sobre la población: no agrupa, no ordena, no pondera. Sorteo puro.

Por qué importa el azar

El azar cumple dos funciones. Primero, reduce el sesgo de selección: ni vos ni los participantes deciden quién entra. Segundo, y esto es lo que más se olvida, habilita la inferencia estadística. Como la probabilidad de selección es conocida, podés calcular el error muestral, construir intervalos de confianza y aplicar pruebas de hipótesis con fundamento. Sin selección aleatoria, esos cálculos pierden sustento.

Qué necesitás antes de sortear

El muestreo aleatorio simple tiene un requisito que define si es viable o no: un marco muestral, es decir, un listado completo y actualizado de las unidades de la población. Otzen y Manterola señalan esta exigencia como su principal desventaja: requiere el listado de toda la población.

Antes de pensar en el sorteo, entonces, tenés que resolver tres cosas:

• Delimitar la población objetivo: quiénes son, dónde están y en qué período. Si todavía no tenés claro cómo definirla, repasá qué es la población en una investigación.
• Conseguir el marco: un padrón de estudiantes, un registro de historias clínicas, un listado de empresas de una cámara. Si el listado deja afuera a una parte de la población, la muestra heredará ese hueco.
• Definir la unidad de muestreo: personas, hogares, escuelas, expedientes. Lo que sorteás tiene que coincidir con lo que vas a analizar; la unidad de análisis ordena esa decisión.

Si no existe un listado confiable, el problema no se arregla con un buen sorteo. En ese caso conviene revisar otro diseño antes de avanzar.

Cómo hacer un muestreo aleatorio simple paso a paso

Con la población y el marco definidos, el procedimiento es corto:

1. Depurá el marco muestral. Eliminá duplicados, registros dados de baja y casos que no cumplen los criterios de inclusión.
2. Numerá cada unidad del 1 al N, sin saltos.
3. Calculá el tamaño de la muestra (n) según el margen de error y el nivel de confianza que buscás. Lo desarrollamos en la sección siguiente.
4. Generá n números aleatorios distintos entre 1 y N. Podés usar la función de muestreo de R, SPSS, Excel o cualquier generador de números aleatorios; las tablas de números aleatorios siguen siendo válidas, aunque ya casi no se usan.
5. Seleccioná sin reposición: si un número sale dos veces, se descarta y se sortea otro.
6. Documentá el procedimiento: herramienta usada, semilla aleatoria si el programa la ofrece, fecha y listado resultante. Tu tribunal puede pedirlo y tu marco metodológico debería describirlo.

El ejemplo de Penn State es ilustrativo por lo sencillo: para revisar 120 de 1.125 historias clínicas, se asigna un número del 1 al 1.125 a cada registro y se sortean 120 números sin reposición.

Cómo calcular el tamaño de la muestra

El tamaño depende de tres decisiones: el nivel de confianza (habitualmente 95 %, lo que equivale a z = 1,96), el margen de error que tolerás (d) y la variabilidad esperada en la variable. Para estimar una proporción, la fórmula básica es:

n₀ = z² · p · (1 − p) / d²

Cuando no tenés una estimación previa de p, se usa p = 0,5, que maximiza el producto p(1 − p) y da el tamaño más conservador. Con 95 % de confianza y un margen de 3 %, el resultado es 1.068 casos; es el ejemplo que presenta el curso STAT 506 de Penn State.

Si la población es chica en relación con la muestra, corresponde aplicar la corrección por población finita:

n = N · p · (1 − p) / [(N − 1) · d² / z² + p · (1 − p)]

Esa misma fuente advierte que, cuando N no es mucho mayor que n, ignorar la corrección sobredimensiona la muestra. En una tesis de grado, donde muchas veces la población es un curso, una carrera o una institución, la diferencia puede ser grande.

Ejemplo completo: encuesta a estudiantes de una facultad

Supongamos que querés estimar qué proporción de estudiantes de una facultad usa herramientas de inteligencia artificial para estudiar. La secretaría académica te facilita el padrón de alumnos regulares: 2.400 personas.

1. Población y marco: estudiantes regulares del ciclo lectivo en curso, según el padrón (N = 2.400).
2. Parámetros: 95 % de confianza (z = 1,96), margen de error de 5 % (d = 0,05) y p = 0,5 porque no hay estudios previos en esa facultad.
3. Cálculo sin corrección: n₀ = 1,96² × 0,25 / 0,05² ≈ 384.
4. Cálculo con corrección por población finita: n = 2.400 × 0,25 / (2.399 × 0,0025 / 3,8416 + 0,25) ≈ 331,3, que se redondea hacia arriba: 332 estudiantes.
5. Sorteo: numerás el padrón del 1 al 2.400 y generás 332 números sin repetir.
6. Previsión de no respuesta: si estimás que responderá el 80 %, conviene contactar a más personas (332 / 0,8 ≈ 415) y registrar cuántas no contestaron.

Un detalle que suele pasarse por alto: reemplazar a quien no responde por el compañero de al lado rompe la aleatoriedad. Si necesitás reemplazos, sortealos también del marco. Cuando llegue la etapa de diseñar y aplicar la encuesta, esa lista de reemplazos ya tiene que estar definida.

Ventajas y desventajas

Ventajas	Desventajas
Es sencillo de aplicar y de explicar en el marco metodológico.	Exige un listado completo de la población, que muchas veces no existe.
Permite calcular el error muestral e inferir a la población.	No aprovecha lo que ya sabés de la población (por ejemplo, que hay subgrupos con comportamientos distintos).
Las fórmulas de estimación son las más simples entre los diseños probabilísticos.	Con muestras chicas, un subgrupo minoritario puede quedar subrepresentado por puro azar.
Reduce el sesgo de selección del investigador.	Si la población está dispersa geográficamente, el trabajo de campo se encarece.

La última desventaja es la razón por la que las encuestas nacionales casi nunca usan un muestreo aleatorio simple puro: Otzen y Manterola indican que, cuando hay que encuestar habitantes de una localidad, resulta complejo y costoso, y recomiendan el muestreo por conglomerados.

Cuándo conviene y cuándo no

El muestreo aleatorio simple funciona bien cuando se cumplen tres condiciones: tenés un marco muestral confiable, la población es relativamente homogénea respecto de lo que medís y el acceso a las unidades no depende de dónde están.

Conviene pensar en otro diseño en estos casos:

• Hay subgrupos que necesitás comparar (turnos, carreras, sedes): el muestreo estratificado asegura que cada uno tenga representación suficiente.
• La población está distribuida en territorios o instituciones: el muestreo por conglomerados reduce costos de campo.
• El listado está ordenado pero no tiene patrones periódicos: el muestreo sistemático es más práctico y, según Otzen y Manterola, puede ser más preciso porque recorre la población de forma más uniforme.
• No existe marco muestral: probablemente tu estudio tenga que asumir un diseño no probabilístico y limitar el alcance de sus conclusiones.

Sea cual sea la decisión, lo que se evalúa en una defensa no es que hayas usado la técnica más sofisticada, sino que la muestra sea coherente con la pregunta, que el procedimiento esté documentado y que las conclusiones no vayan más allá de lo que el diseño permite. Si querés ver cómo se integra todo esto con el resto de la metodología, podés repasar qué es una muestra y cómo se define y luego pasar al análisis de datos cuantitativos.

Si estás en la etapa de definir la muestra o de procesar los resultados, en Tesis y Másters te acompañamos con asesoría en análisis estadístico para que el diseño muestral y el análisis queden alineados con tus objetivos.

Preguntas frecuentes

¿Cuál es la diferencia entre muestreo aleatorio simple y muestreo al azar?

En el uso cotidiano se usan como sinónimos, pero no todo muestreo «al azar» es aleatorio simple. El aleatorio simple exige un listado completo de la población y que cada posible muestra del mismo tamaño tenga igual probabilidad. Encuestar a quien pasa por un pasillo parece azaroso, pero es un muestreo por conveniencia.

¿Se puede hacer un muestreo aleatorio simple con Excel?

Sí. Una forma práctica es asignar a cada fila del marco muestral un número con la función ALEATORIO(), ordenar la lista según esa columna y tomar las primeras n filas. Como los valores cambian cada vez que la hoja se recalcula, conviene copiarlos y pegarlos como valores antes de ordenar, y guardar el archivo resultante como respaldo.

¿Qué hago si no tengo un listado completo de la población?

Sin marco muestral no se puede aplicar un muestreo aleatorio simple en sentido estricto. Las alternativas son construir el listado (por ejemplo, pidiéndolo a la institución), usar un diseño por conglomerados si podés listar grupos pero no personas, o asumir un muestreo no probabilístico y aclarar en la tesis que los resultados no se generalizan estadísticamente.

¿El muestreo aleatorio simple garantiza una muestra representativa?

Garantiza que la selección no esté sesgada, pero no que cada muestra concreta refleje perfectamente a la población. Con muestras pequeñas, el azar puede dejar subrepresentado a algún grupo. Por eso importan el tamaño de la muestra, el control de la no respuesta y, si hay subgrupos clave, considerar un muestreo estratificado.

Referencias bibliográficas

• Otzen, T. y Manterola, C. (2017). Técnicas de muestreo sobre una población a estudio. International Journal of Morphology, 35(1), 227-232.
• Penn State University, Department of Statistics (s. f.). STAT 506: Sampling Theory and Methods. Lesson 1: Estimating Population Mean and Total under SRS.
• Penn State University, Department of Statistics (s. f.). STAT 506: Sampling Theory and Methods. Lesson 2: Confidence Intervals and Sample Size.

Artículos relacionados

• Tesis paso a paso Ayuda para la tesis: comparativa de todas las opciones en Argentina
• Tesis paso a paso Necesito ayuda con mi tesis
• Tesis paso a paso Ejemplos de glosario que aumentan la claridad de tu trabajo