En este trabajo, investigamos cómo los errores sistemáticos debido al muestreo aleatorio afectan la selección automatizada de algoritmos para la optimización de cajas negras continuas de objetivo único y con restricciones. Construimos un selector de algoritmos basado en aprendizaje automático, que utiliza características de análisis de paisajes exploratorios como entradas. Probamos experimentalmente la precisión de las recomendaciones utilizando técnicas de remuestreo y los métodos de validación hold-one-instance-out y hold-one-problem-out. Los resultados demuestran que el selector sigue siendo preciso incluso con ruido de muestreo, aunque no sin compensaciones.