Tipos de muestreo en investigación 2026: cuál elegir para tu TFG o TFM (con ejemplos)
Llevas días decidiendo cómo seleccionar a los participantes de tu estudio y tu director te acaba de devolver el borrador con un único comentario: «Justifica mejor el procedimiento de muestreo». Esa frase, tan breve como paralizante, condensa uno de los problemas más comunes en los trabajos finales de grado y máster: elegir el tipo de muestreo sin entender por qué es el adecuado para ese diseño concreto. Los tipos de muestreo en investigación no son una lista de opciones intercambiables; cada uno responde a supuestos distintos sobre tu población, tus objetivos y tus recursos. Este artículo te proporciona el árbol de decisión que necesitas para elegir con rigor y argumentar esa elección ante el tribunal.
Si aún estás definiendo la estructura global de tu trabajo, la guía Cómo hacer un TFG paso a paso en 2026 te sitúa el apartado de muestreo dentro del capítulo de metodología y te da una visión de conjunto de todo el proceso.
¿Qué es el muestreo y por qué define la calidad de tu investigación?
El muestreo es el proceso mediante el que seleccionas un subconjunto —la muestra— de una población más amplia para estudiarla y, en su caso, extraer conclusiones sobre esa totalidad. En un TFG o TFM rara vez puedes estudiar a todos los individuos de tu universo de referencia: si analizas los hábitos de consumo de los estudiantes universitarios españoles, encuestar al millón y medio largo de personas matriculadas en el sistema universitario es sencillamente inviable. El muestreo resuelve ese problema, pero lo hace de formas muy distintas según el tipo que elijas.
La razón por la que el tipo de muestreo importa tanto es que determina dos aspectos que el tribunal siempre evalúa: la validez externa de tu estudio (¿pueden extrapolarse tus resultados al conjunto de la población?) y la coherencia metodológica (¿el procedimiento de selección es congruente con tu diseño cuantitativo o cualitativo?). Un error frecuente en los TFG consiste en aplicar un muestreo por conveniencia —que es no probabilístico— en un estudio que pretende hacer inferencias estadísticas generalizables, lo que invalida precisamente esa generalización. Elegir bien es, por tanto, la primera decisión metodológica con consecuencias directas sobre la validez de tus conclusiones.
El árbol de decisión: cómo elegir entre muestreo probabilístico y no probabilístico
Antes de detallar cada tipo, conviene aplicar el árbol de decisión que te permite seleccionar la familia correcta. Hazte estas tres preguntas en orden:
- ¿Necesitas generalizar tus resultados al conjunto de la población? Si tu objetivo es hacer inferencias estadísticas —estimar parámetros poblacionales, contrastar hipótesis con significación—, necesitas muestreo probabilístico. Si tu objetivo es comprender en profundidad un fenómeno sin aspiración de representatividad estadística, el muestreo no probabilístico es el camino adecuado.
- ¿Dispones de un marco muestral completo? Un marco muestral es la lista o registro de todos los elementos de tu población: el padrón municipal, el censo de empresas, el listado de matriculados facilitado por secretaría. Sin ese listado, el muestreo aleatorio es técnicamente imposible.
- ¿Es tu diseño cuantitativo o cualitativo? Los diseños cuantitativos inferenciales requieren muestreo probabilístico. Los diseños cualitativos —entrevistas en profundidad, grupos focales, etnografía— emplean habitualmente muestreo no probabilístico intencional o bola de nieve, porque su objetivo no es la representatividad sino la riqueza de información.
| Criterio | Probabilístico | No probabilístico |
|---|---|---|
| Objetivo principal | Generalizar (inferir a la población) | Explorar o comprender en profundidad |
| Marco muestral | Imprescindible | No necesario |
| Diseño habitual | Cuantitativo inferencial | Cualitativo o exploratorio |
| Error de muestreo | Calculable y controlable | No calculable |
| Sesgo de selección | Mínimo (garantizado por la aleatoriedad) | Potencialmente alto (hay que declararlo) |
Muestreo probabilístico: cuatro tipos con ejemplos aplicados
Dentro del muestreo probabilístico existen cuatro variantes principales. La diferencia entre ellas reside en cómo organizas la aleatoriedad de la selección y en qué estructura tiene tu población de partida.
Aleatorio simple
Cada elemento de la población tiene la misma probabilidad de ser seleccionado, de forma independiente del resto. Imagina que tienes un listado de los 800 estudiantes de Grado en Enfermería de la Universidad de Sevilla y necesitas una muestra de 120. Asignas a cada uno un número y utilizas una tabla de números aleatorios —o la función de aleatorización de Excel— para extraer los 120 participantes. Es el tipo más sencillo de explicar y justificar, aunque requiere que el marco muestral esté completo y bien actualizado. Su mayor limitación aparece cuando la población es muy heterogénea: algunos subgrupos pueden quedar infrarrepresentados por puro azar.
Estratificado
Divides la población en grupos homogéneos o estratos —por curso académico, sexo, titulación, área geográfica— y extraes una muestra aleatoria de cada estrato de forma proporcional a su peso en la población total. Ejemplo concreto: estudias los hábitos de estudio de los universitarios de una facultad donde el 60 % son mujeres y el 40 % hombres. Con muestreo estratificado proporcional, si tu muestra es de 100 participantes, seleccionas 60 mujeres y 40 hombres de forma aleatoria dentro de cada estrato. La gran ventaja sobre el aleatorio simple es que garantiza la representación adecuada de subgrupos que podrían quedar infrarrepresentados, lo que reduce el error de estimación cuando existe variabilidad entre estratos.
Por conglomerados
En lugar de seleccionar individuos directamente, seleccionas grupos o conglomerados completos de forma aleatoria y estudias a todos sus miembros —o realizas una segunda etapa de muestreo dentro de cada conglomerado—. Es especialmente útil cuando la población está dispersa geográficamente y construir un marco muestral de individuos resulta inviable. Un TFG sobre la satisfacción de los pacientes en Atención Primaria en Castilla-La Mancha podría seleccionar aleatoriamente diez centros de salud (los conglomerados) y encuestar a todos los pacientes que acudan durante una semana concreta. El ahorro logístico es considerable, aunque el error estándar es mayor que en el aleatorio simple si los individuos dentro de cada conglomerado son muy similares entre sí.
Sistemático
Seleccionas el primer elemento al azar y después extraes uno cada k posiciones del listado, siendo k = tamaño de la población dividido entre el tamaño de la muestra deseado. Si tu marco muestral tiene 1.000 registros y necesitas 100 participantes, k = 10. Eliges un número del 1 al 10 al azar —por ejemplo, el 7— y extraes los registros 7, 17, 27, 37 y así sucesivamente. Es rápido y fácil de implementar, pero tiene una trampa: si el listado tiene una estructura periódica que coincide con el intervalo k, puede introducir sesgos sistemáticos. Comprueba siempre que el listado esté ordenado de forma neutra antes de aplicarlo.
Muestreo no probabilístico: cuándo es metodológicamente válido
El muestreo no probabilístico no es sinónimo de mala ciencia ni de metodología descuidada. Es el enfoque adecuado cuando generalizar no es el objetivo o cuando el acceso a la población hace inviable la aleatorización. En investigación cualitativa, el criterio rector no es la representatividad estadística sino la riqueza y profundidad de la información obtenida.
Por conveniencia
Seleccionas a los participantes más accesibles según tu situación. Si haces un TFG sobre la percepción del estrés académico y encuestas a los compañeros de tu facultad durante el descanso de un examen, estás empleando muestreo por conveniencia. Es el más sencillo logísticamente, pero también el que mayor sesgo de selección puede introducir: los participantes accesibles no siempre representan a la población que te interesa. En la sección de metodología hay que declarar explícitamente que la muestra no es representativa y que los resultados no son generalizables al conjunto de la población.
Bola de nieve
Identificas a unos pocos participantes que cumplen los criterios de inclusión y les pides que te refieran a otras personas de su entorno con el mismo perfil. Es el método idóneo para poblaciones de difícil acceso: personas sin hogar, trabajadores en economía sumergida, colectivos que prefieren no visibilizarse públicamente. Un TFM sobre las trayectorias laborales de cuidadores no formales mayores de 60 años, por ejemplo, difícilmente puede construirse con un muestreo aleatorio; la bola de nieve es no solo legítima sino necesaria. Para una guía completa sobre este y los demás tipos no aleatorios aplicados a tesis, consulta el artículo Muestreo No Probabilístico en TFG y Tesis: Tipos, Ejemplos y Cómo Justificarlo (2026).
Intencional o por juicio
El investigador selecciona deliberadamente a los participantes según criterios teóricos o de relevancia experta, no de forma aleatoria. Es el muestreo característico de los estudios de casos, la teoría fundamentada y los diseños fenomenológicos. Si estudias la experiencia de los directivos de pymes que implementaron el teletrabajo por primera vez durante la pandemia, elegirás a tus entrevistados porque tienen un conocimiento especializado y una experiencia concreta, no porque sean representativos de ningún universo estadístico. La fortaleza de este tipo de muestreo reside precisamente en la selección experta de casos informativamente ricos.
Por cuotas
Fijas cuotas que reflejan la distribución de la población en variables clave —por sexo, franja de edad, nivel educativo— y los encuestadores seleccionan participantes hasta cumplirlas según su propio criterio, sin aleatoriedad dentro de cada cuota. Es habitual en la investigación de mercados y en los sondeos de opinión de uso rápido. Se diferencia del muestreo estratificado en un aspecto fundamental: la ausencia de aleatorización dentro de cada grupo lo convierte en no probabilístico, con los consiguientes riesgos de sesgo del entrevistador.
Cómo justificar el tipo de muestreo en el apartado de metodología
La justificación del muestreo en la sección de metodología debe responder a tres preguntas de forma explícita y ordenada. Un tribunal experimentado sabe exactamente qué busca en este apartado y detecta con rapidez si la elección fue reflexiva o se copió de otro trabajo.
- ¿Por qué este tipo y no otro? Relaciona el tipo elegido con tu diseño, tu objetivo y el acceso real a la población. Una justificación sólida conecta los tres elementos: «Se optó por un muestreo estratificado proporcional porque el objetivo es estimar la prevalencia de X en la población universitaria española y se dispone del padrón de matriculados por sexo y área de conocimiento facilitado por el Ministerio de Universidades».
- ¿Cuál es la unidad de muestreo? Describe quién compone tu universo de referencia, cuáles son los criterios de inclusión y exclusión, y de qué fuente proviene el marco muestral si es probabilístico.
- ¿Cuál es el tamaño muestral y cómo se determinó? En diseños cuantitativos, el tamaño muestral debe justificarse mediante un análisis de potencia estadística o una fórmula de error máximo admisible. En diseños cualitativos, el criterio es la saturación teórica.
«Para la selección de la muestra se empleó un muestreo aleatorio estratificado por titulación y sexo, a partir del listado de estudiantes matriculados en el curso 2025-2026 facilitado por la Secretaría de la Facultad. La muestra final (n = 187) fue calculada con un margen de error del ±5 % y un nivel de confianza del 95 %, considerando una proporción esperada del 50 % —el escenario de máxima varianza— y una tasa de respuesta estimada del 80 %. La asignación dentro de cada estrato se realizó mediante tabla de números aleatorios generada con software estadístico.»
Errores frecuentes que el tribunal detecta en la defensa
Durante la defensa del TFG o TFM, las preguntas sobre el muestreo revelan con rapidez si el autor comprende realmente su metodología o si simplemente copió un apartado estándar. Estos son los errores más habituales que conviene evitar:
- Confundir muestreo con muestra. El muestreo es el procedimiento; la muestra es el resultado. «Mi muestreo fue de 120 personas» es incorrecto. Lo correcto: «empleé un muestreo aleatorio simple y la muestra resultante fue de 120 participantes».
- Llamar «aleatorio» a lo que es por conveniencia. Seleccionar a tus contactos o a los compañeros de clase no es aleatorio aunque no lo hagas con un criterio consciente. El azar controlado metodológicamente requiere un mecanismo definido y documentado.
- No declarar las limitaciones del muestreo no probabilístico. Usar un muestreo por conveniencia es legítimo si se reconoce la limitación en el apartado de conclusiones y no se afirma que los resultados son generalizables a la población general.
- Omitir los criterios de inclusión y exclusión. Toda sección de muestreo debe especificar quién entra en la muestra y quién queda excluido, y por qué. Sin esos criterios, la reproducibilidad del estudio es nula y el rigor metodológico, cuestionable.
- No justificar el tamaño muestral en estudios cuantitativos. «Se encuestó a 85 personas porque era un número manejable» no es una justificación metodológica. En diseños cuantitativos, el tamaño muestral tiene que derivarse de criterios estadísticos explícitos.
Articular con precisión la elección del tipo de muestreo, los criterios de selección y el tamaño muestral es uno de los apartados que más tiempo le cuesta a los estudiantes. Tesify te guía para estructurar y redactar cada bloque metodológico —incluyendo el apartado de muestreo— con argumentaciones coherentes con tu diseño y tu pregunta de investigación. Si quieres comparar qué herramientas de IA funcionan mejor para este tipo de escritura académica, revisa la comparativa de la mejor IA para escribir la tesis en 2026.
Preguntas frecuentes sobre tipos de muestreo en investigación
¿Puedo usar muestreo por conveniencia en un TFG cuantitativo?
Sí, siempre que lo justifiques correctamente y reconozcas sus limitaciones en las conclusiones. El muestreo por conveniencia en estudios cuantitativos impide la generalización estadística, por lo que debes enmarcar tus resultados como descriptivos o exploratorios. Muchos TFG emplean este enfoque con éxito cuando el objetivo es describir tendencias en un colectivo concreto y accesible, no inferir parámetros poblacionales.
¿Cuántos participantes necesito en un muestreo no probabilístico cualitativo?
En investigación cualitativa, el criterio no es el número sino la saturación teórica: continúas recopilando datos hasta que nuevas entrevistas o casos no aportan categorías o dimensiones nuevas. En la práctica, los TFM con diseños fenomenológicos o de teoría fundamentada trabajan habitualmente con entre 8 y 20 participantes, aunque la cifra exacta depende de la homogeneidad del grupo y de la profundidad de cada sesión.
¿Qué diferencia hay entre muestreo estratificado y por cuotas?
Ambos dividen la población en grupos y establecen cuántos participantes se toman de cada grupo, pero la diferencia clave está en la aleatorización. En el estratificado, dentro de cada estrato los participantes se seleccionan de forma aleatoria, lo que lo convierte en probabilístico. En el muestreo por cuotas, el entrevistador elige libremente a los participantes dentro de cada cuota, eliminando la aleatoriedad y convirtiéndolo en no probabilístico.
¿El muestreo bola de nieve tiene validez científica?
Sí, cuando se aplica en el contexto adecuado. El muestreo bola de nieve está plenamente reconocido en la literatura metodológica para poblaciones ocultas o de difícil acceso. Su principal limitación es que la red de referencias puede concentrarse en ciertos perfiles sociales, lo que introduce sesgos de homofilia. Para reducirlos, algunos investigadores utilizan múltiples semillas de arranque y diversifican el perfil de los primeros informantes.
¿Es obligatorio calcular el tamaño muestral en un TFG cuantitativo?
En la práctica académica española, sí se espera que justifiques el tamaño muestral en cualquier TFG o TFM con diseño cuantitativo. La forma más rigurosa es un análisis de potencia a priori o la aplicación de la fórmula clásica para poblaciones finitas o infinitas con margen de error y nivel de confianza definidos. Declarar que la muestra fue de un determinado número por disponibilidad de tiempo es una debilidad metodológica que el tribunal suele señalar en la defensa.