Muestra

Annotations:

• Es un subgrupo de la población de interés sobre el cual se recolectarán datos, y que tiene que definirse y delimitarse de antemano con precisión, además de que debe ser representativo de la población. El investigador pretende que los resultados encontrados en la muestra se generalicen o extrapolen a la población (en el sentido de la validez externa que se comentó al hablar de experimentos).
• ¿Cómo se delimita una población? Una vez que se ha definido cuál será la unidad de muestreo/análisis, se procede a delimitar la población que va a ser estudiada y sobre la cual se pretende generalizar los resultados. Así, una población es el conjunto de todos los casos que concuerdan con una serie de especificaciones
• ¿Cómo seleccionar la muestra? La muestra es, en esencia, un subgrupo de la población. Digamos que es un subconjunto de elementos que pertenecen a ese conjunto definido en sus características al que llamamos población. Con frecuencia leemos y escuchamos hablar de muestra representativa, muestra al azar, muestra aleatoria, como si con los simples términos se pudiera dar más seriedad a los resultados. Todas las muestras (en el enfoque cuantitativo) deben ser representativas; por tanto, el uso de los términos al azar y aleatorio sólo denota un tipo de procedimiento mecánico relacionado con la probabilidad y con la selección de elementos o unidades, pero no aclara el tipo de muestra ni el procedimiento de muestreo.

1. Tipos de muestra

   Annotations:

   • Básicamente, categorizamos las muestras en dos grandes ramas: las muestras no probabilísticas y las muestras probabilísticas. 
   1. Muestra probabilística

      Annotations:

      • Subgrupo de la población en el que todos los elementos tienen la misma posibilidad de ser elegidos.
      • En las muestras probabilísticas, todos los elementos de la población tienen la misma posibilidad de ser escogidos para la muestra y se obtienen definiendo las características de la población y el tamaño de la muestra, y por medio de una selección aleatoria o mecánica de las unidades de muestreo/análisis.La elección de los elementos no depende de la probabilidad, sino de causas relacionadas con las características de la investigación o los propósitos del investigador (Johnson, 2014, Hernández-Sampieri et al., 2013 y Battaglia, 2008b). Aquí el procedimiento no es mecánico ni se basa en fórmulas de probabilidad, sino que depende del proceso de toma de decisiones de un investigador o de un grupo de investigadores y, desde luego, las muestras seleccionadas obedecen a otros criterios de investigación. Elegir entre una muestra probabilística o una no probabilística depende del planteamiento del estudio, del diseño de investigación y de la contribución que se piensa hacer con ella.
      1. ¿Cómo se selecciona una muestra probabilística?

         Annotations:

         • Resumiremos diciendo que la elección entre la muestra probabilística y la no probabilística se hace según el planteamiento del problema, las hipótesis, el diseño de investigación y el alcance de sus contribuciones. Las muestras probabilísticas tienen muchas ventajas; quizá la principal sea que puede medirse el tamaño del error en nuestras predicciones. Se ha dicho incluso que el principal objetivo del diseño de una muestra probabilística es reducir al mínimo este error, al que se le llama error estándar (Johnson, 2014; Brown, 2006; Kalton y Heeringa, 2003; y Kish, 1995).
         • Las muestras probabilísticas son esenciales en los diseños de investigación transeccionales, tanto descriptivos como correlacionales-causales (las encuestas de opinión o sondeos, por ejemplo), donde se pretende hacer estimaciones de variables en la población. Estas variables se miden y se analizan con pruebas estadísticas en una muestra, de la que se presupone que ésta es probabilística y que todos los elementos de la población tienen una misma probabilidad de ser elegidos. Las unidades o elementos muestrales tendrán valores muy parecidos a los de la población, de manera que las mediciones en el subconjunto nos darán estimados precisos del conjunto mayor.
         1. Cálculo del tamaño de muestra

            Annotations:

            • Cuando se elabora una muestra probabilística, uno debe preguntarse: dado que una población es de N tamaño,4 ¿cuál es el menor número de unidades muestrales (personas, casos, organizaciones, capítulos de telenovelas, etc.) que necesito para conformar una muestra (n) que me asegure un determinado nivel de error estándar, digamos menor de 0.01? La respuesta consiste en encontrar una muestra que sea representativa del universo o población con cierta posibilidad de error (se pretende minimizar) y nivel de confianza (maximizar), así como probabilidad.
            • El tamaño del universo o población ya dijimos que es de 2 200. Debemos conocer este dato o uno aproximado, sin olvidar que por encima de 99 999 casos da casi lo mismo cualquier tamaño del universo (un millón, 200 mil, 54 millones, etc.), por lo que si tecleamos un número mayor a 99 999 el programa pondrá esta cifra de manera automática, pero si es menor la respeta.
            1. Muestra probabilística estratificada

               Annotations:

               • Muestreo en el que la población se divide en segmentos y se selecciona una muestra para cada segmento.
               • La estratificación aumenta la precisión de la muestra e implica el uso deliberado de diferentes tamaños de muestra para cada estrato, a fin de lograr reducir la varianza de cada unidad de la media muestral (Kalton y Heeringa, 2003). Kish (1995) y Kalsbeek (2008) afirman que, en un número determinado de elementos muestrales n = Σ nh, la varianza de la media muestral y puede reducirse al mínimo, si el tamaño de la muestra para cada estrato es proporcional a la desviación estándar dentro del estrato.
            2. Muestreo probabilístico por racimos

               Annotations:

               • Son sinónimos de clusters o conglomerados. Muestreo en el que las unidades se encuentran encapsuladas en determinados lugares físicos.
               • En algunos casos en que el investigador se ve limitado por recursos financieros, tiempo, distancias geográficas y otros obstáculos, se recurre al muestreo por racimos o clusters. En este tipo de muestreo se reducen costos, tiempo y energía, al considerar que a veces las unidades de muestreo/análisis se encuentran encapsuladas o encerradas en determinados lugares físicos o geográficos, a los que se denomina racimos.
               • Muestrear por racimos implica diferenciar entre la unidad de análisis y la unidad muestral. La unidad de análisis indica quiénes van a ser medidos, es decir, los participantes o casos a quienes en última instancia vamos a aplicar el instrumento de medición. La unidad muestral (en este tipo de muestra) se refiere al racimo por medio del cual se logra el acceso a la unidad de análisis. El muestreo por racimos supone una selección en dos o más etapas, todas con procedimientos probabilísticos. En la primera, se seleccionan los racimos siguiendo los pasos ya señalados de una muestra probabilística simple o estratificada. En las fases subsecuentes, y dentro de estos racimos, se seleccionan los casos que van a medirse. Para ello se hace una selección que asegure que todos los elementos del racimo tienen la misma probabilidad de ser elegidos.
      2. ¿Cómo se lleva a cabo el procedimiento de selección de la muestra?

         Annotations:

         • Cuando iniciamos nuestra exposición sobre la muestra probabilística, señalamos que los tipos de muestra dependen de dos características: el tamaño de la muestra y el procedimiento de selección. De lo primero ya hemos hablado. Ahora nos ocuparemos del procedimiento de selección. Se determina el tamaño de la muestra n, pero ¿cómo seleccionar los elementos muestrales? (ya sean casos o racimos). Las unidades de análisis o los elementos muestrales se eligen siempre aleatoriamente para asegurarnos de que cada elemento tenga la misma probabilidad de ser elegido. Se utilizan básicamente tres procedimientos de selección, de los cuales a continuación se comentan dos y el tercero se expone en el centro de recursos en línea: Material complementario S Documentos S Documento 1 “Cálculo de muestra”.
         1. Tómbola

            Annotations:

            • Muy simple pero muy rápido, consiste en numerar todos los elementos muestrales de la población, del uno al número N. Después se hacen fichas o papeles, uno por cada elemento, se revuelven en una caja y se van sacando n número de fichas, según el tamaño de la muestra. Los números elegidos al azar conformarán la muestra.
            • Cuando nuestro muestreo es estratificado, se sigue el procedimiento anterior, pero por cada estrato. Por ejemplo, en la tabla 8.2, tenemos que, de una población N = 53 empresas extractivas y siderúrgicas, se necesita una muestra n = 13 de directivos de recursos humanos de tales empresas. En una lista se numeran cada una de estas organizaciones. En fichas aparte se sortean los 53 números, hasta obtener los 13 necesarios (pueden ser las 13 primeras fichas que se extraigan). Los números obtenidos se verifican con los nombres y las direcciones de nuestra lista, para precisar los directivos que participarán en el estudio.
         2. Números aleatorios (random numbers)

            Annotations:

            • Éste es el procedimiento que se encuentra en el centro de recursos en línea: Documento 1 “Cálculo de muestra”.
            • STATS® Una excelente alternativa para generar números aleatorios se encuentra en el programa STATS®, que contiene un subprograma para ello (Random Number Generator) y evita el uso de la tabla de números aleatorios. Es hasta ahora la mejor forma que hemos encontrado para hacerlo. El programa pide que le indiquemos cuántos números aleatorios requerimos. Entonces, tecleamos el tamaño de muestra. Elegimos la opción: } “Establecer límite superior e inferior” y nos solicita que establezcamos el límite inferior (que siempre será uno, el primer caso de la población, pues la muestra se extrae de ésta) y el límite superior (el último número de la población, que es el tamaño de la muestra). Tecleamos Calcular (Calculate) y genera automáticamente los números. Vemos contra nuestro listado a quién o a qué corresponde cada número y éstos son los casos que pasarían a integrar la muestra.
         3. Selección sistemática de elementos muestrales

            Annotations:

            • Este procedimiento de selección es muy útil e implica elegir dentro de una población N un número n de elementos a partir de un intervalo K. Este último (K ) es un intervalo que se determina por el tamaño de la población y el tamaño de la muestra. Así, tenemos que K = N/n, en donde K = un intervalo de selección sistemática, N = la población y n = la muestra.
         4. Listados y otros marcos muestrales

            Annotations:

            • Marco muestral Es un marco de referencia que nos permite identificar físicamente los elementos de la población, así como la posibilidad de enumerarlos y seleccionar las unidades muestrales.
            • Los listados existentes de una población son variados: guías telefónicas, listas de miembros de las asociaciones, directorios especializados, listas oficiales de escuelas de la zona, bases de datos de los alumnos de una universidad o de los clientes de una empresa, registros médicos, catastros, nóminas de una organización, padrones de exportadores, inventarios de productos y almacén, etc. En todo caso hay que tener en cuenta lo completo de una lista, su exactitud, su veracidad, su fiabilidad y su nivel de cobertura en relación con el problema que se investiga y la población que va a medirse, ya que todos estos aspectos influyen en la selección de la muestra (
            1. Archivos

               Annotations:

               • Un gerente de reclutamiento y selección de una empresa quiere precisar si ciertos datos que se presentan en una solicitud de trabajo están correlacionados con el absentismo del empleado. Es decir, si a partir de información como edad, género, estado civil, nivel educativo y duración en otros trabajos, es factible predecir la conducta de absentismo. Para establecer correlaciones se considerará como población a todas las personas contratadas durante los últimos 10 años. Se relacionan los datos en las solicitudes de empleo con los registros de faltas.
               • Como no hay una lista elaborada de estos individuos, el investigador decide acudir a los archivos de las solicitudes de empleo. Tales archivos constituyen su marco muestral a partir del cual se obtendrá la muestra. Determina el tamaño de la población, obtiene el tamaño de la muestra y selecciona sistemáticamente cada elemento 1/K (solicitud que será analizada).
            2. Mapas

               Annotations:

               • Los mapas son muy útiles como marco de referencia en muestras de racimos. Por ejemplo, un investigador quiere saber qué motiva a los compradores a preferir ciertas tiendas de autoservicio. A partir de una lista de tiendas de cada cadena competidora marca sobre un mapa de la ciudad, todas las tiendas de autoservicio, las cuales constituyen una población de racimos, pues en cada tienda seleccionada entrevistará a un número de clientes. El mapa le permite ver la población (tiendas de autoservicio) y su localización geográfica, de manera que elige zonas donde coexistan diferentes tiendas competidoras, para asegurarse de que el consumidor de la zona tenga todas las posibles alternativas. En la actualidad hay mapas de todo tipo: mercadológicos, socioculturales, étnicos, marítimos, entre otros. El Global Positioning System (GPS) o sistema de posicionamiento global puede ser muy útil para esta clase de muestreo.
         5. Tamaño óptimo de una muestra

            Annotations:

            • Para lo primero, al lector le será muy útil comparar qué tamaño de muestra han empleado o sugieren diversos metodólogos e investigadores. Por ello, se muestran algunos ejemplos y se reproducen varias tablas, que indican los tamaños de muestra más utilizados o propuestos por diversos autores, según sus poblaciones (nacionales o regionales) y los subgrupos que quieren estudiarse, así como de acuerdo con los análisis que se lleven a cabo.Tal como se mencionó, las muestras probabilísticas requieren dos procedimientos básicos: 1) la determinación del tamaño de la muestra y 2) la selección aleatoria de los elementos muestrales. 
            • El tamaño de una muestra depende también del número de subgrupos que nos interesan en una población.
            1. Teorema central del límite

               Annotations:

               • Señala que una muestra de más de cien casos será una muestra con una distribución normal en sus características, lo cual sirve para el propósito de hacer estadística inferencial.
   2. Muestra no probabilística o dirigida

      Annotations:

      • La elección de los elementos no depende de la probabilidad, sino de causas relacionadas con las características de la investigación o los propósitos del investigador (Johnson, 2014, Hernández-Sampieri et al., 2013 y Battaglia, 2008b). Aquí el procedimiento no es mecánico ni se basa en fórmulas de probabilidad, sino que depende del proceso de toma de decisiones de un investigador o de un grupo de investigadores y, desde luego, las muestras seleccionadas obedecen a otros criterios de investigación. Elegir entre una muestra probabilística o una no probabilística depende del planteamiento del estudio, del diseño de investigación y de la contribución que se piensa hacer con ella.
      • Subgrupo de la población en la que la elección de los elementos no depende de la probabilidad, sino de las características de la investigación.
      • también llamadas muestras dirigidas, suponen un procedimiento de selección orientado por las características de la investigación, más que por un criterio estadístico de generalización. Se utilizan en diversas investigaciones cuantitativas y cualitativas.
      1. Muestreo al azar por marcado telefónico (Random Digit Dialing)

         Annotations:

         • Ésta es una técnica que los investigadores utilizan para seleccionar muestras telefónicas. Involucra identificar áreas geográficas —para ser muestreadas al azar— y sus correspondientes códigos telefónicos e intercambios (los primeros dígitos del número telefónico que las identifican). Luego, los demás dígitos del número que se va a marcar pueden ser generados al azar de acuerdo con los casos que requerimos para la muestra (n). Es posible reconocer qué intercambios son usados de forma primaria para teléfonos residenciales y enfocar el muestreo en ese subgrupo (Kreuter, 2013). Asimismo, es muy útil para incluir en muestras a teléfonos celulares o móviles y aparatos con GPS (Hernández-Sampieri et al., 2013).
      2. Una máxima del muestreo y el alcance del estudio

         Annotations:

         • Ya sea que se trate de un tipo de muestreo u otro, lo importante es elegir a los casos adecuados, de acuerdo con el planteamiento del problema y lograr el acceso a ellos.