¿Qué es el Muestreo de Datos?

Definiendo que es el muestreo de datos

El muestreo de datos es una de las fases o aspectos más críticos del análisis estadístico. Muestreo de datos significa seleccionar una muestra de individuos de una población para medir y analizar los datos encontrados a través de la investigación. Aquí, la población es el conjunto de todos los individuos que tienen una característica en común, como los estadounidenses con asma o los bloques de hormigón producidos en un día determinado en una fábrica. Una muestra es cualquier subconjunto de dos o más elementos de la población. Los datos de la muestra pueden ser cualquier tipo de variable, como la resistencia a la tracción de un componente particular o la preferencia alimentaria de una persona.

Los datos de muestreo son cruciales en cualquier tipo de investigación experimental porque los investigadores rara vez, o nunca, pueden realizar mediciones en cada uno de los individuos de una población. En lugar de ello, seleccionan una muestra de esa población y utilizan herramientas estadísticas para inferir información que se aplica a toda la población. El subcampo de la estadística que estudia los métodos de muestreo, sus resultados y los posibles problemas que surgen de los datos del muestreo se llama teoría del muestreo.

Usos del muestreo de datos

Los estadísticos, científicos de datos o cualquier investigador de ciencias sociales o naturales utilizan el muestreo de datos para realizar sus estudios. Este suele ser el caso porque, incluso en poblaciones muy específicas, el número de individuos es demasiado grande para recopilar información sobre cada uno de ellos. Más concretamente, el muestreo de datos utiliza el teorema del límite central para crear distribuciones muestrales, que se utilizan para inferir información sobre la población. Algunas de las principales técnicas de inferencia que se utilizan incluyen intervalos de confianza, para estimar los parámetros de la población; prueba de hipótesis, para evaluar una afirmación sobre la población; y análisis de regresión, para crear modelos matemáticos que puedan aplicarse a la población.

Diferentes tipos de muestreo

Hay varias formas de seleccionar muestras de la población, y la tarea de los investigadores es seleccionar datos de manera que el resultado obtenido sea válido y preciso. La elección del tipo de muestreo debe basarse en las condiciones experimentales específicas, los tipos de variables involucradas y la pregunta que el estudio intenta responder. Las formas o métodos de muestreo de datos se pueden categorizar como muestreo probabilístico, en el que las muestras se seleccionan aleatoriamente según un método, y muestreo no probabilístico, en el que el investigador determina la selección de las muestras.

Muestreo de probabilidad

El muestreo probabilístico ocurre cuando las muestras se seleccionan aleatoriamente según algún criterio; es decir, no hay interferencia humana en la selección de las muestras. Un ejemplo es asignar un número a cada persona en una habitación y luego usar una computadora para generar números aleatorios y seleccionar muestras. Algunos de los principales tipos de muestreo probabilístico son el muestreo aleatorio simple, el muestreo por conglomerados, el muestreo estratificado y el muestreo sistemático, como se explica a continuación.

• Muestreo aleatorio simple: esta es la forma más básica de seleccionar muestras. Todos los individuos de la población tienen la misma probabilidad de ser seleccionados y la selección se produce al azar.
• Muestreo por conglomerados: En este tipo de muestreo, primero se divide la población en conglomerados, o grupos o conjuntos mutuamente excluyentes con alguna característica en común. Por ejemplo, los conglomerados suelen utilizarse en términos geográficos; un ejemplo son los habitantes de un barrio determinado. Luego, se seleccionan todos los miembros de un conglomerado seleccionado aleatoriamente para realizar el análisis estadístico. Este tipo de muestreo se utiliza porque utiliza relativamente pocos recursos y es rápido. Sin embargo, es posible que no represente bien a la población, lo que introduce un sesgo.
• Muestreo estratificado: Aquí se divide la población en diferentes estratos, o subdivisiones dentro de esa población. Cada estrato de la población tiene sus características únicas. Un ejemplo son los hombres mayores de 65 años en una ciudad determinada. Luego, se seleccionan aleatoriamente individuos de cada uno de los estratos para realizar el análisis. A diferencia del muestreo por conglomerados, solo se seleccionan algunos de los individuos de cada estrato. Por tanto, todos los miembros de la población están bien representados, lo que no siempre está garantizado en el muestreo por conglomerados. Sin embargo, el muestreo estratificado es más complicado de ejecutar y puede producir resultados sesgados debido a su proceso de selección.
• Muestreo sistemático: en este tipo de muestreo, la primera muestra se selecciona aleatoriamente y la muestra posterior se selecciona mediante una regla. Un ejemplo es seleccionar una muestra a intervalos periódicos. Este tipo de muestreo se utiliza porque es más simple que el muestreo aleatorio simple, especialmente cuando no se conoce la totalidad de los miembros de la población. Una desventaja es que puede introducir sesgos en el resultado.

Muestreo no probabilístico

El muestreo no probabilístico se utiliza cuando los investigadores no conocen la población, tienen pocos recursos o quieren resultados rápidos. En lugar de ser seleccionadas al azar, las muestras se eligen según un criterio definido por el investigador. Un ejemplo sería encuestar a cualquier persona que ingrese a una tienda en particular mientras realiza una investigación sobre esa tienda. Los principales tipos de muestreo no probabilístico son el muestreo intencional, el muestreo por cuotas, el muestreo en bola de nieve y el muestreo por conveniencia.

• Muestreo intencional: utiliza muestras que tienen alguna característica que las convierte en una fuente de información particularmente útil. Este tipo de muestra se utiliza cuando el investigador quiere comprender mejor un fenómeno y no necesariamente quiere hacer inferencias estadísticas. Los ejemplos incluyen la selección de personas con una experiencia determinada o muestras que tengan un conjunto específico de características.
• Muestreo por cuotas: Consiste en seleccionar muestras dentro de un estrato de la población, o aquellas con una determinada característica, hasta alcanzar una cuota. Por ejemplo, un investigador puede seleccionar a los encuestados hasta alcanzar una cuota de 30 propietarios de automóviles.
• Muestreo de bola de nieve: En este tipo de muestreo se selecciona un conjunto de sujetos. Luego se pide a los sujetos que indiquen más participantes. Este tipo de muestreo se utiliza cuando el investigador no conoce o no tiene acceso a miembros de la población.
• Muestreo por conveniencia: este es un método que utiliza muestras fácilmente disponibles, como personas cercanas geográficamente. Posiblemente sea el método de muestreo más sencillo, pero también muy propenso a sesgos.

Ejemplos de técnicas de muestreo

A continuación se presentan ejemplos de diferentes técnicas de muestreo.

• 1) Una empresa realiza una investigación utilizando una lista telefónica de clientes para determinar el interés del consumidor en un nuevo producto. La lista contiene 1000 números ordenados por ubicación y el tamaño de muestra elegido por los investigadores es de 50 muestras. Para seleccionar las muestras, los investigadores seleccionan a la primera persona al azar, luego omiten 20 números y seleccionan a la siguiente persona, luego omiten 20 números, y así sucesivamente, hasta llegar nuevamente a la primera persona seleccionada. Este es un método de muestreo sistemático porque los investigadores imponen una regla para seleccionar las muestras. Este es un método de muestreo adecuado porque garantiza que los clientes de todos los lugares estén bien representados; un muestreo aleatorio simple, por ejemplo, no sería suficiente para garantizar una representación poblacional homogénea.
• 2) Un grupo de investigación dentro de un departamento de psicología realiza experimentos de electroencefalograma (EEG) en sujetos con un trastorno específico. Recluta participantes a través de un anuncio en un tablón de anuncios. Luego, el equipo preselecciona los sujetos. El tipo de técnica de muestreo empleada aquí es el muestreo intencional porque los investigadores seleccionan los sujetos que mejor se adaptan a sus necesidades. A pesar de ser propenso a tergiversar la población, este tipo de método de muestreo puede ayudar a responder las preguntas específicas que tiene el grupo de investigación.

Factores que afectan el muestreo de datos

Las muestras siempre son solo una parte de la población, por lo que los resultados varían dependiendo de la técnica de muestreo y sus parámetros, especialmente el tamaño de la muestra, o el número de muestras tomadas. Los resultados del muestreo de datos también pueden ser propensos a errores y sesgos.

Tamaño de muestra de datos

El número de muestras tomadas al muestrear datos se denomina tamaño de muestra. Es el principal factor que influye en la precisión del análisis estadístico; si se toman más muestras, la población estará representada con mayor precisión.

Aumentar el número de muestras es la forma más sencilla de reducir los errores, y este es un resultado directo del teorema del límite central, que determina que el error estándar de una distribución muestral es inversamente proporcional a la raíz cuadrada del tamaño de la muestra:

{eq}SE=\dfrac{\sigma}{\sqrt{n}} {/eq}

Dónde

• {eq}SE {/eq} es el error estándar.
• {eq}\sigma {/eq} es la desviación estándar de la población.
• {eq}n {/eq} es el tamaño de la muestra.

A menudo, antes de iniciar el proceso de muestreo, los investigadores determinan el tamaño de muestra necesario para obtener el máximo error que se considera adecuado para el estudio. Por ejemplo, un estudio podría querer estimar la intención de los votantes con un error máximo de más o menos dos puntos porcentuales y un nivel de confianza del 95%.

Cómo determinar el tamaño de la muestra:

El tamaño de la muestra se puede determinar de diferentes formas, pero la más común utiliza el concepto de intervalos de confianza de algún parámetro poblacional. Por ejemplo, para estimar la media poblacional, el intervalo de confianza se expresa como:

{eq}\bar x \pm ME {/eq}

Dónde

• {eq}\bar x {/eq} es la media muestral, que se calcula utilizando las muestras.
• {eq}ME {/eq} es el margen de error.

El margen de error es la variable que representa el máximo error permitido en la investigación. Para una población distribuida normalmente, el margen de error viene dado por:

{eq}ME=z\, SE= z\, \dfrac{\sigma}{\sqrt{n}} {/eq}

Aquí, {eq}z {/eq} es el valor crítico para el nivel de confianza que desea el investigador, o qué tan seguro quiere estar de que el intervalo de confianza es verdadero. Este valor crítico se obtiene de una tabla de distribución normal y representa dos valores que dan la probabilidad definida por el nivel de confianza. Por ejemplo, el valor crítico para un nivel de confianza del 95% es aproximadamente 1,96; eso significa que el área o probabilidad bajo la curva normal es 0,95, o 95%, para valores entre -1,96 y 1,96.

Finalmente, reordenando la ecuación del margen de error, se puede estimar el tamaño de la muestra mediante la siguiente ecuación:

{eq}n=\sqrt{ \dfrac{z\, \sigma}{ME} } {/eq}

Sesgo de muestreo de datos

El sesgo de muestreo de datos es uno de los tipos de errores que pueden ocurrir en el muestreo de datos y denota una situación en la que los datos recopilados no son representativos de la población. En ese caso, incluso si el resultado es exacto para una porción específica de la población, el resultado no es válido; Por eso es tan importante determinar los sesgos en la investigación.

Los sesgos pueden ocurrir debido a un error en la metodología, como seleccionar un método de muestreo inadecuado, o debido a errores durante la ejecución cuando se recopilan los datos. A continuación se detallan algunos de los diferentes tipos de sesgos que pueden ocurrir.

• Sesgo del observador: esto se debe a la forma en que la investigación plantea las preguntas y, por lo tanto, interfiere con las respuestas. Por ejemplo, si el cuestionario pregunta qué tan perjudicial para la economía es una política en particular, implica que la política es perjudicial, lo que influye en la respuesta.
• Sesgo de conveniencia: aquí, la población queda subrepresentada porque solo se muestrean individuos que están fácilmente disponibles. Un ejemplo es un departamento de investigación que realiza un estudio sobre la salud del suelo en una ciudad pero solo toma muestras del área cercana al departamento, que no es representativa de toda la ciudad.
• Sesgo de respuesta voluntaria: ocurre cuando los participantes pueden elegir libremente responder un cuestionario. En este caso, es más probable que participen personas con conocimiento o interés en el tema, creando así un sesgo. Por ejemplo, si los individuos son autoseleccionados para responder un cuestionario sobre el impacto del uso de la bicicleta como medio de transporte, es probable que se muestreen en exceso ciclistas o entusiastas de la bicicleta, lo que generará un sesgo en el resultado.

Error de muestreo de datos

El muestreo de datos siempre genera errores, denominados errores de muestreo de datos. Pueden dar lugar a investigaciones con poca precisión o incluso resultados completamente inválidos. Los errores pueden ser el resultado del diseño y ejecución experimental (errores no muestrales) o simplemente debido al hecho de que las muestras son siempre sólo una porción de una población (errores muestrales).

• Errores de muestreo o errores aleatorios: Representan la diferencia entre el parámetro poblacional real y la estimación. Son inherentes al proceso de muestreo porque las muestras nunca pueden representar completamente a la población. Por ejemplo, los investigadores pueden estimar la altura media de los nadadores en una competición tomando una muestra de 10 personas y promediando los resultados. Entonces, la diferencia entre la media media de todos los deportistas y la media obtenida por la muestra sería el error muestral. Este tipo de error se puede minimizar eligiendo un tamaño de muestra mayor. Los errores de muestreo se estiman principalmente utilizando el error estándar, que se utiliza para derivar otras medidas, como el margen de error de un intervalo de confianza y el valor p de una prueba de hipótesis.
• Errores no muestrales, o errores sistemáticos, o sesgos: Son causados ​​por el diseño experimental y pueden conducir a resultados no válidos, incluso cuando el tamaño de la muestra es grande. Este tipo de error se puede clasificar en los siguientes.
  
  • Sesgo de selección: ocurre cuando grupos dentro de la población son favorecidos o no representados por la muestra. Por ejemplo, tanto el sesgo de respuesta voluntaria como el sesgo de muestreo por conveniencia favorecen a una sección específica de la población y, por tanto, representan sesgos de selección.
  • Sesgo de falta de respuesta: esto ocurre cuando los no encuestados son fundamentalmente diferentes de los encuestados. Como no contribuyen al estudio, el grupo de no encuestados queda subrepresentado. Un ejemplo sería la investigación sobre la calidad de vida de los ciudadanos. Si una parte de la población está formada por extranjeros que no entienden bien el idioma nacional, es posible que eviten responder las preguntas. Dado que representan un grupo fundamentalmente diferente del resto de la población, el resultado de la investigación sería inválido.
  • Sesgo de respuesta: Esto ocurre cuando los datos recopilados son falsos. Puede ocurrir, por ejemplo, cuando el cuestionario plantea preguntas personales, cuando la pregunta es difícil de entender o cuando el contenido de una pregunta se superpone con el de otra. Todos estos escenarios conducen a respuestas incorrectas, que alteran el resultado final.

Resumen de la lección

El muestreo de datos es uno de los componentes principales de cualquier investigación experimental y consiste en tomar muestras de una población y medirlas. El fundamento teórico que permite a los investigadores seleccionar muestras de manera efectiva para inferir resultados de una población basándose en una muestra de esa población es la teoría del muestreo. Existen varias técnicas de muestreo que se utilizan en diferentes escenarios y producen diferentes resultados. Las técnicas se dividen en dos tipos. En el muestreo probabilístico, los investigadores utilizan la aleatoriedad combinada con algunos métodos específicos definidos antes de la recopilación de datos. En el muestreo no probabilístico, es el investigador quien selecciona las muestras, en base a algún criterio. Mientras que el muestreo probabilístico es el más adecuado para cualquier tipo de inferencia estadística, el muestreo no probabilístico es más fácil, rápido y utiliza menos recursos, por lo que tiene diferentes aplicaciones.

Los resultados del muestreo varían cada vez que se realiza un experimento y cualquier tipo de muestreo está sujeto a errores. El principal factor que afecta el muestreo de datos es el tamaño de la muestra o el número de muestras tomadas de la población. El tamaño de la muestra generalmente se determina antes de realizar el experimento de acuerdo con el nivel de precisión deseado. Los diferentes tipos de errores que pueden ocurrir se denominan errores de muestreo de datos. En este contexto, el sesgo de muestreo de datos ocurre cuando solo una fracción de la población está representada en el muestreo. Esto hace que se tergiverse la población, invalidando así los resultados de los experimentos. Otro tipo de error es el error de muestreo, que es la diferencia entre el valor real de un parámetro en la población y el valor obtenido en la muestra. Los errores de muestreo se pueden minimizar utilizando tamaños de muestra más grandes, pero nunca son cero.

Rodrigo Ricardo Editor y fundador