# Muestra representativa: qué es y cómo evaluarla

> Evalúa población, selección y no respuesta con un ejemplo de clientes nuevos y recurrentes. Una muestra grande también puede dejar grupos fuera.


**Una muestra representativa permite describir razonablemente una población definida para la pregunta que estás estudiando.** Para evaluarla necesitas conocer de quiénes quieres hablar, cómo se seleccionaron los casos y quiénes terminaron respondiendo. El tamaño, por sí solo, no demuestra que estén cubiertas las personas relevantes.

Si preguntas por la experiencia de todos los compradores del mes, una encuesta contestada solo por seguidores activos de Instagram deja sin resolver quiénes quedaron fuera. Sus respuestas pueden revelar problemas e ideas útiles, pero generalizarlas exige examinar esa selección.

## Empieza por definir la población

Escribe el grupo y el periodo antes de reclutar. “Personas que hicieron al menos una compra en octubre” es más preciso que “nuestra comunidad”. Después necesitas una base de selección, como un listado de esos clientes, y revisar a quiénes no incluye o no permite contactar.

Una persona con tres pedidos sigue siendo una persona si la unidad del estudio es el cliente. Si seleccionas pedidos sin ajustar el diseño, los compradores frecuentes pueden tener más oportunidades de aparecer. La [selección de una muestra según Statistics Canada](https://www150.statcan.gc.ca/n1/edu/power-pouvoir/ch13/sample-echantillon/5214900-eng.htm) relaciona el diseño con la pregunta que se quiere responder sobre la población.

## Ejemplo: la composición cambia al responder

Supongamos que una tienda tiene 1.000 compradores del mes: 800 hicieron su primera compra y 200 ya habían comprado antes. Para el ejemplo, el listado está completo y permite contactar a ambos grupos. El equipo selecciona aleatoriamente 80 personas del primero y 20 del segundo: un muestreo estratificado proporcional. Las cifras y el resultado siguiente son hipotéticos.

| Etapa | Primera compra | Compra recurrente |
|---|---|---|
| Población del mes | 800 | 200 |
| Muestra seleccionada | 80 | 20 |
| Personas que responden | 15 | 15 |

La selección inicial conserva la proporción de **80 % y 20 %**. Sin embargo, al responder quedan 30 personas repartidas **50 % y 50 %**. La participación fue **15 ÷ 80 = 18,75 %** entre compradores nuevos y **15 ÷ 20 = 75 %** entre recurrentes.

Eso permite detectar una diferencia relevante de participación. Si el estudio pregunta por dificultades en la primera compra, leer el resultado conjunto sin examinar los grupos puede ocultar la menor presencia de clientes nuevos. La tabla no revela qué habrían contestado quienes faltan.

## Muestra aleatoria y muestra representativa

En el muestreo probabilístico, la selección utiliza aleatoriedad y permite calcular probabilidades de inclusión. Eso da una base para estimar resultados de la población y su incertidumbre bajo el diseño. No obliga a que cada muestra pequeña reproduzca exactamente todas las características ni evita la falta de respuesta. Statistics Canada explica los [métodos probabilísticos](https://www150.statcan.gc.ca/n1/edu/power-pouvoir/ch13/prob/5214899-eng.htm).

En una muestra voluntaria o por conveniencia, las probabilidades de inclusión pueden ser desconocidas. Reunir cuotas que coincidan con edad o tipo de cliente no demuestra por sí solo que también coincidan preferencias o experiencias. Su explicación del [muestreo no probabilístico](https://www150.statcan.gc.ca/n1/edu/power-pouvoir/ch13/nonprob/5214898-eng.htm) desarrolla ese límite.

## Qué revisar antes de generalizar

Vuelve al listado y a los contactos: ¿faltó algún grupo?, ¿hubo personas repetidas?, ¿el canal dejó fuera a quienes no lo usan? Compara la composición de quienes respondieron con la población cuando tengas datos pertinentes y autorizados. En el ejemplo, investigar por qué participan menos los clientes nuevos es más concreto que pedir respuestas adicionales a cualquier persona.

Ajustar pesos puede corregir desequilibrios observados bajo ciertos supuestos. No recupera automáticamente opiniones desconocidas ni garantiza corregir diferencias que no mediste. Si necesitas una estimación poblacional con precisión declarada, define el diseño y su análisis con apoyo metodológico; no adjuntes un margen de error convencional a una encuesta abierta solo porque obtuvo muchas respuestas.

## ¿Cuántas personas hacen falta?

La cantidad depende de qué estimas, su variabilidad, el diseño, la precisión buscada y la no respuesta prevista. Un número fijo como 385 no certifica representatividad para cualquier encuesta. Primero resuelve qué población y qué selección sostendrán la conclusión.

Puedes presentar el resultado acotado como “entre las 30 personas que respondieron” y mostrar sus grupos. Para documentar lo que ocurrió durante la recogida, añade la [tasa de respuesta y sus bases](/es/guides/tasa-respuesta-encuestas/). Si tu objetivo es explorar por qué ocurre algo antes de estimar cuántos lo comparten, la [investigación cualitativa y cuantitativa](/es/guides/investigacion-cualitativa-cuantitativa/) ayuda a elegir el siguiente método.

## Planifica el próximo post en HeyMark.

Guarda la idea, revisa el texto con tu equipo y mira cómo le fue después en las cuentas que conectaste.

[Empezar gratis](https://app.heymark.ai) · [Ver cómo funciona](https://heymark.ai/es/#product)

## Recursos para desarrolladores y agentes

- [Documentación MCP de HeyMark](https://heymark.ai/es/mcp/)
- [llms.txt](https://heymark.ai/llms.txt)
- [Contenido completo del sitio para modelos de lenguaje](https://heymark.ai/llms-full.txt)
- Endpoint del protocolo MCP: `POST https://mcp.heymark.ai`
- Metadatos OAuth del recurso protegido: [/.well-known/oauth-protected-resource](https://mcp.heymark.ai/.well-known/oauth-protected-resource)
- MCP server card: [/server-card](https://mcp.heymark.ai/server-card)
