Población y muestra

Población y muestra

población y muestra de investigación tesis cat

La correcta delimitación de la población y la muestra constituye uno de los pilares metodológicos de toda investigación científica. Un error en esta etapa puede invalidar los resultados, afectar la validez estadística y generar observaciones por parte del jurado o asesor. Por ello, comprender cuándo trabajar con población finita o infinita, cómo seleccionar una muestra adecuada y qué criterios estadísticos aplicar según el nivel académico resulta fundamental para el desarrollo de una tesis sólida.

Este artículo ofrece una guía práctica y actualizada, basada en libros clásicos y contemporáneos de metodología de la investigación, con ejemplos aplicados a varias carreras como Administración, Educación, Derecho, entre otros.

¿Qué es la población en una investigación?

La población se define como el conjunto total de elementos, sujetos u objetos que poseen características comunes y sobre los cuales el investigador desea realizar inferencias científicas.

Según Metodología de la investigación, la población debe delimitarse de manera clara, precisa y coherente con el problema de investigación, especificando unidad de análisis, espacio y tiempo.

Tipos de población

1. Población finita

Se considera finita cuando el número total de elementos es conocido y contable.

Ejemplos:

  • 120 trabajadores administrativos de una municipalidad.
  • 85 docentes de una institución educativa.
  • 300 expedientes judiciales del año 2023.

Este tipo de población es común en investigaciones aplicadas, estudios institucionales y tesis de pregrado.

2. Población infinita

Una población es infinita cuando el número de elementos es muy grande o imposible de determinar con exactitud.

Ejemplos:

  • Usuarios de un servicio público en una ciudad.
  • Clientes potenciales de una empresa.
  • Ciudadanos con percepción sobre la justicia.

En la práctica, muchas poblaciones “infinitas” son poblaciones teóricas, donde se trabaja directamente con muestra.

¿Qué es la muestra y por qué es necesaria?

La muestra es un subconjunto representativo de la población que permite realizar inferencias estadísticas válidas sin estudiar a todos los elementos.

De acuerdo con Research Design, una muestra bien seleccionada:

  • Reduce costos y tiempo.
  • Mantiene validez científica.
  • Permite generalizar resultados.

Tipos de muestreo: probabilístico y no probabilístico

Muestreo probabilístico

Se utiliza cuando todos los elementos tienen la misma probabilidad de ser seleccionados. Es obligatorio en investigaciones cuantitativas correlacionales, explicativas y experimentales.

Tipos más usados:

  • Muestreo aleatorio simple
  • Muestreo estratificado
  • Muestreo sistemático

✔ Recomendado para pregrado y posgrado, especialmente cuando se aplican pruebas estadísticas inferenciales.

Muestreo no probabilístico

Se basa en criterios del investigador, no en el azar. Es común en estudios cualitativos, exploratorios o jurídicos.

Tipos más frecuentes:

  • Muestreo por conveniencia
  • Muestreo intencional
  • Muestreo por expertos

Según Applied Social Research Methods, este tipo de muestreo es válido cuando el objetivo es comprensión profunda, no generalización estadística.

¿Qué criterios se deben usar para seleccionar la muestra?

La elección del tipo de muestra depende de:

  • Enfoque de investigación (cuantitativo, cualitativo o mixto)
  • Nivel académico (pregrado o posgrado)
  • Tipo de análisis estadístico
  • Accesibilidad a la población
  • Recursos disponibles

En tesis cuantitativas, el criterio principal es la representatividad estadística.
En tesis cualitativas, el criterio central es la pertinencia teórica.

Fórmulas para el cálculo del tamaño de muestra

Para poblaciones finitas

n=N⋅Z2⋅p⋅q(N−1)⋅e2+Z2⋅p⋅qn = \frac{N \cdot Z^2 \cdot p \cdot q}{(N-1)\cdot e^2 + Z^2 \cdot p \cdot q}

Para poblaciones infinitas

n=Z2⋅p⋅qe2n = \frac{Z^2 \cdot p \cdot q}{e^2}

Donde:

  • n = tamaño de muestra
  • N = tamaño de población
  • Z = nivel de confianza
  • p = probabilidad de éxito (0.5 cuando se desconoce)
  • q = 1 − p
  • e = margen de error

Estas fórmulas son ampliamente respaldadas por Statistics for the Behavioral Sciences.

Niveles de confianza en pregrado y posgrado

Nivel de confianza del 95 % (α = 0.05)

  • Usado principalmente en tesis de pregrado
  • Significa que existe un 5 % de probabilidad de error
  • Es el estándar aceptado por la mayoría de universidades

Nivel de confianza del 99 % (α = 0.01)

  • Recomendado para maestrías y doctorados
  • Reduce el error al 1 %
  • Exige muestras más grandes y mayor rigurosidad

Según Discovering Statistics Using IBM SPSS Statistics, niveles más altos implican mayor exigencia metodológica, pero resultados más robustos.

Ejemplos aplicados por carrera

Administración

Población: 210 colaboradores de una empresa
Muestra: 136 trabajadores (muestreo aleatorio simple, 95 %)
Aplicación: Evaluar clima organizacional y desempeño laboral

Educación

Población: 480 estudiantes de secundaria
Muestra: 214 estudiantes (muestreo estratificado por grado)
Aplicación: Analizar estrategias didácticas y logro de aprendizajes

Derecho

Población: 60 resoluciones judiciales sobre conciliación
Muestra: 60 resoluciones (censo)
Aplicación: Análisis cualitativo-jurídico de criterios jurisprudenciales

Errores comunes que debes evitar en tu tesis

  • No justificar el tipo de muestreo
  • Usar muestreo no probabilístico en estudios correlacionales
  • No explicar el nivel de confianza
  • Aplicar fórmulas sin coherencia metodológica
  • Confundir población con muestra

Conclusión

La correcta definición de población y muestra no es un requisito formal, sino una condición indispensable para la validez científica de una tesis. Aplicar criterios adecuados, fórmulas correctas y niveles de confianza coherentes con el nivel académico garantiza resultados confiables y defendibles ante cualquier jurado.

Si este proceso se realiza con asesoría especializada, se evitan observaciones, correcciones innecesarias y retrasos en la aprobación del trabajo de investigación.

Necesitas ayuda de docentes investigadores, con grado de Doctor y reconocimiento RENACYT, contactarnos aquí:

Referencias (APA 7)

  • Creswell, J. W. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE Publications. https://us.sagepub.com
  • Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://uk.sagepub.com
  • Gravetter, F. J., & Wallnau, L. B. (2021). Statistics for the behavioral sciences (11th ed.). Cengage Learning. https://www.cengage.com
  • Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. (2022). Metodología de la investigación (7.ª ed.). McGraw-Hill. https://www.mheducation.com
  • Neuman, W. L. (2020). Social research methods: Qualitative and quantitative approaches (8th ed.). Pearson. https://www.pearson.com

Indice de contenido