Muestreo (estadística)

El muestreo no probabilístico es cualquier método de muestreo en el que algunos elementos de la población no tienen ninguna posibilidad de ser seleccionados (a veces se les denomina "fuera de cobertura" o "subcobertura"), o en el que la probabilidad de selección no puede determinarse con precisión. Implica la selección de elementos basándose en supuestos sobre la población de interés, que constituyen los criterios de selección. Por lo tanto, debido a que la selección de elementos no es aleatoria, el muestreo no probabilístico no permite estimar los errores de muestreo. Estas condiciones dan lugar a un sesgo de exclusión , lo que limita la cantidad de información que una muestra puede proporcionar sobre la población. La información sobre la relación entre la muestra y la población es limitada, lo que dificulta la extrapolación de la muestra a la población.

Ejemplo: Visitamos todas las casas de una calle determinada y entrevistamos a la primera persona que abre la puerta. En cualquier hogar con más de un ocupante, se trata de una muestra no probabilística, ya que algunas personas tienen más probabilidades de abrir la puerta (por ejemplo, una persona desempleada que pasa la mayor parte del tiempo en casa tiene más probabilidades de abrir que un compañero de piso empleado que podría estar trabajando cuando el entrevistador llama) y no es práctico calcular estas probabilidades.

Los métodos de muestreo no probabilístico incluyen el muestreo por conveniencia , el muestreo por cuotas , el muestreo en cadena y el muestreo intencional . Además, los efectos de la falta de respuesta pueden convertir cualquier diseño probabilístico en un diseño no probabilístico si no se comprenden bien las características de la falta de respuesta, ya que esta modifica la probabilidad de que cada elemento sea muestreado.

En una muestra aleatoria simple (MAS) de un tamaño determinado, todos los subconjuntos de un marco de muestreo tienen la misma probabilidad de ser seleccionados. Por lo tanto, cada elemento del marco tiene la misma probabilidad de selección: el marco no se subdivide ni se particiona. Además, cualquier par de elementos tiene la misma probabilidad de ser seleccionado que cualquier otro par (y lo mismo ocurre con las tríadas, etc.). Esto minimiza el sesgo y simplifica el análisis de los resultados. En particular, la varianza entre los resultados individuales dentro de la muestra es un buen indicador de la varianza en la población general, lo que facilita la estimación de la precisión de los resultados.

El muestreo aleatorio simple puede ser vulnerable al error de muestreo, ya que la aleatoriedad de la selección puede dar como resultado una muestra que no refleje la composición de la población. Por ejemplo, una muestra aleatoria simple de diez personas de un país determinado producirá, en promedio, cinco hombres y cinco mujeres, pero es probable que cualquier muestreo sobrepresente a un sexo y subpresente al otro. Las técnicas sistemáticas y estratificadas intentan superar este problema utilizando información sobre la población para seleccionar una muestra más representativa.

Además, el muestreo aleatorio simple puede resultar engorroso y tedioso al muestrear una población objetivo extensa. En algunos casos, los investigadores se interesan en preguntas de investigación específicas para subgrupos de la población. Por ejemplo, podrían estar interesados ​​en examinar si la capacidad cognitiva como predictor del desempeño laboral es igualmente aplicable a todos los grupos raciales. El muestreo aleatorio simple no satisface las necesidades de los investigadores en esta situación, ya que no proporciona submuestras de la población, y en su lugar se pueden utilizar otras estrategias de muestreo, como el muestreo estratificado.

El muestreo sistemático (también conocido como muestreo por intervalos) se basa en organizar la población de estudio según un esquema de ordenación y, a continuación, seleccionar elementos a intervalos regulares de esa lista ordenada. El muestreo sistemático implica un inicio aleatorio y, a partir de ahí, procede con la selección de cada k -ésimo elemento. En este caso, k = (tamaño de la población / tamaño de la muestra). Es importante que el punto de partida no sea automáticamente el primero de la lista, sino que se elija aleatoriamente entre el primer y el k -ésimo elemento de la lista. Un ejemplo sencillo sería seleccionar cada décimo nombre de la guía telefónica (una muestra de "cada 10", también conocida como "muestreo con intervalo de 10").

Siempre que el punto de partida sea aleatorio , el muestreo sistemático es un tipo de muestreo probabilístico . Es fácil de implementar y la estratificación que induce puede hacerlo eficiente si la variable por la que se ordena la lista está correlacionada con la variable de interés. El muestreo de "cada 10" es especialmente útil para un muestreo eficiente a partir de bases de datos .

Por ejemplo, supongamos que queremos tomar una muestra de personas de una calle larga que comienza en una zona pobre (casa n.° 1) y termina en un distrito caro (casa n.° 1000). Una simple selección aleatoria de direcciones en esta calle podría fácilmente resultar en una cantidad excesiva de personas de la zona alta y muy pocas de la zona baja (o viceversa), lo que daría lugar a una muestra no representativa. Seleccionar, por ejemplo, cada décimo número de calle a lo largo de la misma garantiza que la muestra se distribuya uniformemente a lo largo de la calle, representando a todos estos distritos. (Si siempre comenzamos en la casa n.° 1 y terminamos en la n.° 991, la muestra estará ligeramente sesgada hacia la zona baja; al seleccionar aleatoriamente el inicio entre la casa n.° 1 y la n.° 10, se elimina este sesgo).

Sin embargo, el muestreo sistemático es especialmente vulnerable a las periodicidades en la lista. Si existe periodicidad y el período es un múltiplo o factor del intervalo utilizado, es muy probable que la muestra no sea representativa de la población general, lo que hace que el método sea menos preciso que el muestreo aleatorio simple.

Por ejemplo, consideremos una calle donde las casas con números impares se encuentran todas en el lado norte (caro) y las casas con números pares en el lado sur (barato). Con el esquema de muestreo descrito anteriormente, es imposible obtener una muestra representativa; o bien todas las casas muestreadas serán del lado de las casas con números impares (caro), o bien todas serán del lado de las casas con números pares (barato), a menos que el investigador conozca este sesgo de antemano y lo evite utilizando un intervalo que garantice la alternancia entre ambos lados (cualquier intervalo con números impares).

Otra desventaja del muestreo sistemático es que, incluso en escenarios donde resulta más preciso que el muestreo aleatorio simple (MAS), sus propiedades teóricas dificultan la cuantificación de dicha precisión. (En los dos ejemplos de muestreo sistemático mencionados anteriormente, gran parte del posible error de muestreo se debe a la variación entre casas vecinas; sin embargo, dado que este método nunca selecciona dos casas vecinas, la muestra no nos proporcionará información alguna sobre esa variación).

Como se describió anteriormente, el muestreo sistemático es un método EPS, ya que todos los elementos tienen la misma probabilidad de ser seleccionados (en el ejemplo dado, una entre diez). No se trata de un muestreo aleatorio simple porque diferentes subconjuntos del mismo tamaño tienen diferentes probabilidades de selección; por ejemplo, el conjunto {4,14,24,...,994} tiene una probabilidad de selección de una entre diez, pero el conjunto {4,13,24,34,...} tiene una probabilidad de selección de cero.

El muestreo sistemático también puede adaptarse a un enfoque que no sea EPS; por ejemplo, véase la discusión sobre las muestras PPS más adelante.

Cuando la población abarca varias categorías distintas, el marco se puede organizar según estas categorías en "estratos" separados. Cada estrato se muestrea como una subpoblación independiente, de la cual se pueden seleccionar elementos individuales al azar. ^{[ 8 ]} La proporción entre el tamaño de esta selección aleatoria (o muestra) y el tamaño de la población se denomina fracción de muestreo . ^{[ 12 ]} El muestreo estratificado presenta varios beneficios potenciales. ^{[ 12 ]}

En primer lugar, dividir la población en estratos distintos e independientes permite a los investigadores extraer conclusiones sobre subgrupos específicos que podrían perderse en una muestra aleatoria más generalizada.

En segundo lugar, utilizar un método de muestreo estratificado puede conducir a estimaciones estadísticas más eficientes (siempre que los estratos se seleccionen en función de su relevancia para el criterio en cuestión, en lugar de la disponibilidad de las muestras). Incluso si un enfoque de muestreo estratificado no aumenta la eficiencia estadística, esta táctica no resultará menos eficiente que un muestreo aleatorio simple, siempre que cada estrato sea proporcional al tamaño del grupo en la población.

En tercer lugar, a veces ocurre que los datos están más fácilmente disponibles para estratos individuales preexistentes dentro de una población que para la población general; en tales casos, utilizar un enfoque de muestreo estratificado puede ser más conveniente que agregar datos de diferentes grupos (aunque esto podría estar potencialmente en desacuerdo con la importancia previamente señalada de utilizar estratos relevantes para los criterios).

Finalmente, dado que cada estrato se trata como una población independiente, se pueden aplicar diferentes métodos de muestreo a los distintos estratos, lo que potencialmente permite a los investigadores utilizar el método más adecuado (o el más rentable) para cada subgrupo identificado dentro de la población.

Sin embargo, el muestreo estratificado presenta algunas desventajas potenciales. En primer lugar, la identificación de estratos y la implementación de este método pueden aumentar el costo y la complejidad de la selección de la muestra, así como la complejidad de las estimaciones poblacionales. En segundo lugar, al examinar múltiples criterios, las variables de estratificación pueden estar relacionadas con algunos, pero no con otros, lo que complica aún más el diseño y podría reducir la utilidad de los estratos. Finalmente, en algunos casos (como en diseños con un gran número de estratos o con un tamaño mínimo de muestra especificado por grupo), el muestreo estratificado puede requerir una muestra mayor que la que requerirían otros métodos (aunque, en la mayoría de los casos, el tamaño de muestra requerido no sería mayor que el requerido para un muestreo aleatorio simple).

Un enfoque de muestreo estratificado es más efectivo cuando se cumplen tres condiciones.

1. Se minimiza la variabilidad dentro de los estratos.
2. Se maximiza la variabilidad entre estratos.
3. Las variables sobre las que se estratifica la población están fuertemente correlacionadas con la variable dependiente deseada.

Ventajas sobre otros métodos de muestreo

1. Se centra en las subpoblaciones importantes e ignora las irrelevantes.
2. Permite el uso de diferentes técnicas de muestreo para diferentes subpoblaciones.
3. Mejora la precisión/eficiencia de la estimación.
4. Permite un mayor equilibrio en la potencia estadística de las pruebas de diferencias entre estratos mediante el muestreo de números iguales de estratos que varían ampliamente en tamaño.

Desventajas

1. Requiere la selección de variables de estratificación relevantes, lo cual puede resultar difícil.
2. No resulta útil cuando no existen subgrupos homogéneos.
3. Su implementación puede resultar costosa.

Postestratificación

La estratificación se introduce a veces después de la fase de muestreo en un proceso llamado "postestratificación". ^{[ 8 ]} Este enfoque se implementa generalmente debido a la falta de conocimiento previo de una variable de estratificación apropiada o cuando el experimentador carece de la información necesaria para crear una variable de estratificación durante la fase de muestreo. Si bien el método es susceptible a los inconvenientes de los enfoques post hoc, puede proporcionar varios beneficios en la situación adecuada. Su implementación suele seguir a una muestra aleatoria simple. Además de permitir la estratificación en una variable auxiliar, la postestratificación puede utilizarse para implementar ponderaciones, lo que puede mejorar la precisión de las estimaciones de una muestra. ^{[ 8 ]}

sobremuestreo

El muestreo basado en la elección o sobremuestreo es una de las estrategias de muestreo estratificado. En el muestreo basado en la elección, ^{[ 13 ]} los datos se estratifican según la variable objetivo y se toma una muestra de cada estrato para que las clases objetivo menos frecuentes estén más representadas en la muestra. El modelo se construye entonces sobre esta muestra sesgada . Los efectos de las variables de entrada sobre la variable objetivo suelen estimarse con mayor precisión con el muestreo basado en la elección, incluso cuando se toma un tamaño de muestra total menor, en comparación con un muestreo aleatorio. Los resultados generalmente deben ajustarse para corregir el sobremuestreo.

En algunos casos, el diseñador de la muestra tiene acceso a una "variable auxiliar" o "medida de tamaño", que se cree que está correlacionada con la variable de interés, para cada elemento de la población. Estos datos pueden utilizarse para mejorar la precisión del diseño de la muestra. Una opción es utilizar la variable auxiliar como base para la estratificación, como se mencionó anteriormente.

Otra opción es el muestreo con probabilidad proporcional al tamaño (PPS, por sus siglas en inglés), en el que la probabilidad de selección de cada elemento se establece proporcional a su tamaño, hasta un máximo de 1. En un diseño PPS simple, estas probabilidades de selección pueden utilizarse como base para el muestreo de Poisson . Sin embargo, esto presenta el inconveniente de un tamaño de muestra variable, y diferentes porciones de la población pueden estar sobrerrepresentadas o infrarrepresentadas debido a la variación aleatoria en las selecciones.

La teoría del muestreo sistemático permite crear una muestra con probabilidad proporcional al tamaño. Esto se logra tratando cada recuento dentro de la variable de tamaño como una unidad de muestreo. Las muestras se identifican seleccionando a intervalos regulares entre estos recuentos dentro de la variable de tamaño. Este método se conoce a veces como muestreo secuencial PPS o muestreo por unidad monetaria en el caso de auditorías o muestreo forense.

Ejemplo: Supongamos que tenemos seis escuelas con poblaciones de 150, 180, 200, 220, 260 y  490 estudiantes respectivamente (un total de 1500 estudiantes), y queremos usar la población estudiantil como base para una muestra PPS de tamaño tres. Para ello, podríamos asignar a la primera escuela los números del 1  al  150, a la segunda escuela del 151 al 330  (=  150  +  180), a la tercera escuela del 331 al 530, y así sucesivamente hasta la última escuela (del 1011 al  1500). Luego generamos un inicio aleatorio entre 1 y 500 (igual a  1500/3) y contamos a través de las poblaciones escolares en múltiplos de 500. Si nuestro inicio aleatorio fue 137, seleccionaríamos las escuelas a las que se les han asignado los números 137, 637 y 1137  , es decir, la primera, la cuarta y la sexta escuela.

El método PPS puede mejorar la precisión para un tamaño de muestra dado al concentrar la muestra en elementos grandes que tienen el mayor impacto en las estimaciones de la población. El muestreo PPS se usa comúnmente para encuestas a empresas, donde el tamaño de los elementos varía mucho y a menudo se dispone de información auxiliar  ; por ejemplo, una encuesta que intenta medir el número de noches de huéspedes en hoteles podría usar el número de habitaciones de cada hotel como variable auxiliar. En algunos casos, una medición anterior de la variable de interés puede usarse como variable auxiliar al intentar producir estimaciones más recientes. ^{[ 14 ]}

En ocasiones, resulta más rentable seleccionar a los encuestados en grupos (o «clústeres»). El muestreo suele agruparse geográficamente o por periodos de tiempo (casi todas las muestras están, en cierto modo, agrupadas en el tiempo, aunque esto rara vez se tiene en cuenta en el análisis). Por ejemplo, si se encuestan hogares dentro de una ciudad, podríamos optar por seleccionar 100 manzanas y entrevistar a todos los hogares dentro de las manzanas seleccionadas.

La agrupación de entrevistadores puede reducir los costos de viaje y administrativos. En el ejemplo anterior, un entrevistador puede realizar un solo viaje para visitar varios hogares en una misma manzana, en lugar de tener que desplazarse a una manzana diferente para cada hogar.

Esto también significa que no se necesita un marco de muestreo que incluya todos los elementos de la población objetivo. En cambio, se pueden seleccionar conglomerados a partir de un marco a nivel de conglomerado, creando un marco a nivel de elemento solo para los conglomerados seleccionados. En el ejemplo anterior, la muestra solo requiere un mapa de la ciudad a nivel de manzana para las selecciones iniciales, y luego un mapa a nivel de hogar de las 100 manzanas seleccionadas, en lugar de un mapa a nivel de hogar de toda la ciudad.

El muestreo por conglomerados (también conocido como muestreo agrupado) generalmente aumenta la variabilidad de las estimaciones de la muestra en comparación con el muestreo aleatorio simple, dependiendo de las diferencias entre los conglomerados en relación con la variación dentro de cada conglomerado. Por esta razón, el muestreo por conglomerados requiere una muestra mayor que el muestreo aleatorio simple para lograr el mismo nivel de precisión; sin embargo, el ahorro de costos derivado de la agrupación podría convertirlo en una opción más económica.

El muestreo por conglomerados se implementa comúnmente como muestreo multietápico . Esta es una forma compleja de muestreo por conglomerados en la que dos o más niveles de unidades se encuentran anidados uno dentro del otro. La primera etapa consiste en la construcción de los conglomerados que se utilizarán para el muestreo. En la segunda etapa, se selecciona aleatoriamente una muestra de unidades primarias de cada conglomerado (en lugar de utilizar todas las unidades contenidas en todos los conglomerados seleccionados). En las etapas siguientes, en cada uno de esos conglomerados seleccionados, se seleccionan muestras adicionales de unidades, y así sucesivamente. Todas las unidades finales (individuos, por ejemplo) seleccionadas en el último paso de este procedimiento son luego encuestadas. Esta técnica, por lo tanto, es esencialmente el proceso de tomar submuestras aleatorias de muestras aleatorias previas.

El muestreo multietápico puede reducir sustancialmente los costos de muestreo, ya que requiere la elaboración de la lista completa de la población (antes de aplicar otros métodos de muestreo). Al eliminar el trabajo que implica describir los conglomerados no seleccionados, el muestreo multietápico puede reducir los elevados costos asociados al muestreo por conglomerados tradicional. ^{[ 14 ]} Sin embargo, cada muestra puede no ser totalmente representativa de toda la población.

En el muestreo por cuotas , la población se segmenta primero en subgrupos mutuamente excluyentes , al igual que en el muestreo estratificado . Luego, se utiliza el criterio para seleccionar a los sujetos o unidades de cada segmento según una proporción específica. Por ejemplo, se le puede indicar a un entrevistador que seleccione 200 mujeres y 300 hombres de entre 45 y 60 años.

Es este segundo paso el que convierte la técnica en un muestreo no probabilístico. En el muestreo por cuotas, la selección de la muestra no es aleatoria . Por ejemplo, los entrevistadores podrían verse tentados a entrevistar a quienes parezcan más dispuestos a ayudar. El problema es que estas muestras pueden estar sesgadas, ya que no todos tienen la misma oportunidad de ser seleccionados. Este elemento aleatorio es su mayor debilidad, y la comparación entre el muestreo por cuotas y el muestreo probabilístico ha sido objeto de controversia durante varios años.

En conjuntos de datos desequilibrados, donde la proporción de muestreo no sigue las estadísticas de la población, se puede remuestrear el conjunto de datos de manera conservadora mediante un método llamado muestreo minimax . El muestreo minimax tiene su origen en la proporción minimax de Anderson , cuyo valor se ha demostrado que es 0,5: en una clasificación binaria, los tamaños de muestra de las clases deben elegirse iguales. Esta proporción solo se puede demostrar como la proporción minimax bajo el supuesto de un clasificador LDA con distribuciones gaussianas. La noción de muestreo minimax se ha desarrollado recientemente para una clase general de reglas de clasificación, denominadas clasificadores inteligentes por clases. En este caso, la proporción de muestreo de las clases se selecciona de manera que el error del clasificador en el peor de los casos, sobre todas las posibles estadísticas de población para las probabilidades a priori de clase, sea el mejor. ^{[ 12 ]}

El muestreo accidental (a veces conocido como muestreo por conveniencia o por oportunidad ) es un tipo de muestreo no probabilístico que implica la selección de la muestra de la parte de la población que está más cerca. Es decir, se selecciona una población porque está fácilmente disponible y es conveniente. Esto puede ocurrir al conocer a la persona, al incluirla en la muestra cuando se la encuentra, o al encontrarla a través de medios tecnológicos como internet o por teléfono. El investigador que utiliza este tipo de muestra no puede generalizar científicamente sobre la población total a partir de ella, ya que no sería suficientemente representativa. Por ejemplo, si el entrevistador realizara una encuesta de este tipo en un centro comercial temprano en la mañana de un día determinado, las personas que podría entrevistar se limitarían a las que se encuentran allí en ese momento, lo que no representaría las opiniones de otros miembros de la sociedad en esa área, si la encuesta se realizara en diferentes momentos del día y varias veces por semana. Este tipo de muestreo es más útil para pruebas piloto. Algunas consideraciones importantes para los investigadores que utilizan muestras por conveniencia incluyen:

1. ¿Existen controles dentro del diseño de la investigación o del experimento que puedan servir para disminuir el impacto de una muestra de conveniencia no aleatoria, asegurando así que los resultados sean más representativos de la población?
2. ¿Existe alguna razón de peso para creer que una muestra de conveniencia determinada respondería o se comportaría de manera diferente a una muestra aleatoria de la misma población?
3. ¿La pregunta que plantea la investigación puede responderse adecuadamente utilizando una muestra de conveniencia?

En la investigación en ciencias sociales, el muestreo en cadena (o muestreo de bola de nieve) es una técnica similar, en la que se utilizan sujetos de estudio existentes para reclutar más sujetos para la muestra. Algunas variantes del muestreo en cadena, como el muestreo dirigido por los participantes, permiten calcular las probabilidades de selección y son métodos de muestreo probabilístico bajo ciertas condiciones.

El método de muestreo voluntario es un tipo de muestreo no probabilístico. Los voluntarios eligen completar una encuesta.

Se puede invitar a voluntarios mediante anuncios en redes sociales. ^{[ 15 ]} La población objetivo para los anuncios se puede seleccionar según características como ubicación, edad, sexo, ingresos, ocupación, nivel educativo o intereses, utilizando las herramientas que ofrece la red social. El anuncio puede incluir un mensaje sobre la investigación y un enlace a una encuesta. Tras acceder al enlace y completar la encuesta, el voluntario envía los datos para ser incluido en la muestra. Este método permite llegar a una población global, pero está limitado por el presupuesto de la campaña. También se pueden incluir en la muestra voluntarios que no pertenezcan a la población invitada.

Resulta difícil generalizar a partir de esta muestra, ya que podría no ser representativa de la población total. Con frecuencia, los voluntarios muestran un gran interés en el tema principal de la encuesta.

El muestreo por intersección de líneas es un método de muestreo de elementos en una región mediante el cual un elemento se muestrea si un segmento de línea elegido, llamado "transecto", interseca dicho elemento.

El muestreo de panel es el método de seleccionar primero un grupo de participantes mediante un método de muestreo aleatorio y luego solicitar a ese grupo información (potencialmente la misma) varias veces durante un período de tiempo. Por lo tanto, cada participante es entrevistado en dos o más momentos; cada período de recolección de datos se llama "ola". El método fue desarrollado por el sociólogo Paul Lazarsfeld en 1938 como un medio para estudiar campañas políticas . ^{[ 16 ]} Este método de muestreo longitudinal permite estimar cambios en la población, por ejemplo, con respecto a enfermedades crónicas, estrés laboral o gastos semanales en alimentos. El muestreo de panel también puede utilizarse para informar a los investigadores sobre cambios de salud dentro de la persona debido a la edad o para ayudar a explicar cambios en variables dependientes continuas como la interacción conyugal. ^{[ 17 ]} Se han propuesto varios métodos para analizar datos de panel , incluidos MANOVA , curvas de crecimiento y modelado de ecuaciones estructurales con efectos retardados.

El muestreo en cadena consiste en encontrar un pequeño grupo de encuestados iniciales y utilizarlos para reclutar a más participantes. Es especialmente útil en casos donde la población es difícil de identificar o de censar.

El muestreo teórico ^{[ 18 ]} se produce cuando se seleccionan muestras en función de los resultados de los datos recopilados hasta el momento, con el objetivo de comprender mejor el área o desarrollar teorías. Inicialmente, se recopila una muestra general para investigar tendencias generales, y posteriormente se pueden seleccionar casos extremos o muy específicos para maximizar la probabilidad de que un fenómeno sea observable.

En el muestreo activo , las muestras que se utilizan para entrenar un algoritmo de aprendizaje automático se seleccionan activamente, también compárese con el aprendizaje activo (aprendizaje automático) .

El muestreo por juicio, también conocido como muestreo por expertos o muestreo intencional, es un tipo de muestreo no aleatorio en el que las muestras se seleccionan en función de la opinión de un experto, quien puede seleccionar a los participantes según el valor de la información que proporcionan.

El muestreo aleatorio se refiere a la idea de utilizar el juicio humano para simular la aleatoriedad. A pesar de que las muestras se seleccionan manualmente, el objetivo es asegurar que no exista ningún sesgo consciente en la elección de las muestras, pero a menudo falla debido al sesgo de selección . ^{[ 19 ]} Generalmente se opta por el muestreo aleatorio debido a su conveniencia, cuando las herramientas o la capacidad para realizar otros métodos de muestreo pueden no estar disponibles.

La principal debilidad de este tipo de muestras es que a menudo no representan las características de toda la población, sino solo un segmento de ella. Debido a esta representación desequilibrada, los resultados del muestreo aleatorio suelen estar sesgados. ^{[ 20 ]}

Los errores y sesgos de muestreo son inducidos por el diseño de la muestra. Estos incluyen:

1. Sesgo de selección : Cuando las probabilidades de selección reales difieren de las supuestas al calcular los resultados.
2. Error de muestreo aleatorio : Variación aleatoria en los resultados debido a que los elementos de la muestra se seleccionan al azar.

Los errores ajenos al muestreo son otros errores que pueden afectar las estimaciones finales de la encuesta, causados ​​por problemas en la recopilación de datos, el procesamiento o el diseño de la muestra. Dichos errores pueden incluir:

1. Cobertura excesiva: inclusión de datos de fuera de la población.
2. Subcobertura: el marco de muestreo no incluye elementos de la población.
3. Error de medición: por ejemplo, cuando los encuestados no entienden una pregunta o les resulta difícil responderla.
4. Error de procesamiento: errores en la codificación de datos.
5. Sesgo de no respuesta o de participación : imposibilidad de obtener datos completos de todos los individuos seleccionados.

Tras la toma de muestras, se realiza una revisión del proceso exacto seguido en el muestreo, en lugar del previsto, con el fin de estudiar cualquier efecto que las divergencias puedan tener en el análisis posterior.

Un problema particular implica la falta de respuesta . Existen dos tipos principales de falta de respuesta: ^{[ 23 ] [ 24 ]}

• Falta de respuesta de la unidad (falta de cumplimentación de alguna parte de la encuesta)
• Falta de respuesta a un ítem (envío o participación en la encuesta, pero sin completar uno o más componentes/preguntas de la misma).

En el muestreo de encuestas , muchos de los individuos identificados como parte de la muestra pueden no estar dispuestos a participar, no tener tiempo para hacerlo ( costo de oportunidad ) ^{[ 25 ]} o los administradores de la encuesta pueden no haber podido contactarlos. En este caso, existe el riesgo de diferencias entre los que responden y los que no responden, lo que lleva a estimaciones sesgadas de los parámetros de la población. Esto se suele abordar mejorando el diseño de la encuesta, ofreciendo incentivos y realizando estudios de seguimiento que intentan repetidamente contactar a los que no responden y caracterizar sus similitudes y diferencias con el resto del marco. ^{[ 26 ]} Los efectos también pueden mitigarse ponderando los datos (cuando se dispone de puntos de referencia de la población) o imputando datos basados ​​en las respuestas a otras preguntas. La falta de respuesta es un problema particularmente en el muestreo por internet. Las razones de este problema pueden incluir encuestas mal diseñadas, ^{[ 24 ]} encuestas excesivas (o fatiga por encuestas), ^{[ 17 ] [ 27 ]} y el hecho de que los participantes potenciales pueden tener varias direcciones de correo electrónico que ya no usan o no revisan con regularidad.

• Serie ISO 2859
• Serie ISO 3951

• Norma ASTM E105: Práctica estándar para el muestreo probabilístico de materiales.
• ASTM E122 Práctica estándar para calcular el tamaño de la muestra para estimar, con un error tolerable especificado, el promedio de una característica de un lote o proceso.
• Norma ASTM E141: Práctica estándar para la aceptación de evidencia basada en los resultados del muestreo probabilístico.
• Terminología estándar ASTM E1402 relativa al muestreo
• Norma ASTM E1994: Práctica estándar para el uso de planes de muestreo AOQL y LTPD orientados a procesos.
• ASTM E2234 Práctica estándar para el muestreo de un flujo de producto por atributos indexados por AQL

• ANSI/ASQ Z1.4

• MIL-STD-105
• MIL-STD-1916