¿Qué es una muestra sesgada? – Definición y ejemplos

Publicado el 16 noviembre, 2020

Introducción a Bias

El Sr. Yellow es del condado de Yellow y la Sra. Blue es del condado de Blue. Ambos compiten en la carrera por gobernador en Color State. El Sr. Yellow y la Sra. Blue tienen cada uno un personal cuyo trabajo implica realizar un seguimiento de la posición de la mayoría de las personas en los asuntos políticos del estado. El personal del Sr. Yellow le informó que la gente no está a favor de una nueva carretera que atraviese el estado. El personal de la Sra. Blue le informó que lo contrario era cierto. ¿Cómo puede ser esto?

La forma en que recopilamos información sobre un tema dicta las inferencias que se pueden hacer. Debe haber habido una diferencia entre la forma en que el personal del Sr. Yellow recopiló su información y la forma en que el personal de la Sra. Blue recopiló su información. Uno o ambos miembros del personal del candidato pueden haber obtenido un resultado sesgado en su investigación.

Sesgo en la investigación

El propósito de la investigación es estimar una estadística no sesgada que represente el verdadero parámetro para una población. El sesgo se define como una predisposición a un resultado particular sobre otro. El sesgo en la investigación conduce a resultados no representativos. En otras palabras, el sesgo hace que las estimaciones de los investigadores estén predispuestas a la izquierda oa la derecha de la marca verdadera.

Las estimaciones estadísticas se basan en errores aleatorios y el sesgo introduce un error sistemático en el diseño o análisis de la investigación, lo que hace que los resultados no sean confiables o carezcan de significado. El error aleatorio es impredecible, mientras que el error sistemático es predecible. La obtención de una estimación sesgada puede ser el resultado de uno o más errores cometidos antes, durante o después de un estudio. Un tipo de error que conduce a estimaciones sesgadas es el método de muestreo utilizado.

Métodos de muestreo

Tanto el personal del Sr. Yellow como el de la Sra. Blue diseñaron una encuesta para conocer cómo se sienten las personas que residen en el estado acerca de una nueva carretera que atraviesa la ciudad. Las preguntas no conducían ni inducían a error de ninguna manera; fueron muy sencillos. La redacción de las preguntas no fue la razón probable para obtener una estimación sesgada. Tanto el personal del Sr. Yellow como el de la Sra. Blue han sido capacitados sobre cómo hacer las preguntas para que no lleven al encuestado a responder de una manera particular. La forma en que se hizo la pregunta a las personas no fue la razón probable para obtener una estimación sesgada.

Tanto el personal del Sr. Yellow como el de la Sra. Blue seleccionaron su muestra utilizando un método de muestreo aleatorio. A cada votante registrado se le asignó un número y la computadora seleccionó al azar una muestra de entre todos los posibles votantes. Todos los votantes tenían las mismas oportunidades de ser seleccionados para la encuesta.

Sin embargo, resulta que el personal del Sr. Yellow seleccionó al azar a los votantes registrados en el condado de Yellow. El condado de Yellow es casi en su totalidad tierras de cultivo. Nadie quería que sus tierras agrícolas se vieran afectadas por la construcción de una nueva carretera. El personal de la Sra. Blue, sin embargo, fue seleccionado al azar de votantes registrados en Color State. Es por eso que el personal del Sr. Yellow obtuvo resultados diferentes del personal de la Sra. Blue.

Muestras sesgadas

Las muestras sesgadas son el resultado no intencional de seleccionar muestras de una población que favorecen un resultado sobre otro. Al seleccionar solo muestras de votantes del condado de Yellow, la estimación de las actitudes sobre la carretera favoreció sistemáticamente un resultado.

Otros ejemplos de muestras sesgadas incluyen medir a jugadores de baloncesto estadounidenses profesionales para estimar la altura media de los hombres estadounidenses o analizar el agua del pozo para hacer una estimación del agua del río. En ambos ejemplos, la estimación estará sesgada porque la muestra estaba sesgada.

El mejor método de muestreo para obtener una estimación insesgada es seleccionar al azar de la población de interés. Para garantizar que un estudio de investigación obtenga una estimación no sesgada, todos los miembros de la población de interés deben tener la misma probabilidad de ser muestreados.

Generalizabilidad

Cuando realizamos un estudio, esperamos poder generalizar los hallazgos a la población que representa. La generalizabilidad es el grado en el que los hallazgos de un estudio representan con precisión la población de interés.

Por ejemplo, cuando recopilamos datos de muestra sobre la altura de los hombres estadounidenses, pretendemos llegar a una conclusión sobre todos los hombres estadounidenses. Si alguien recopila datos de muestra sobre jugadores de baloncesto estadounidenses profesionales, solo puede generalizarlos a los jugadores de baloncesto estadounidenses profesionales. Cuando recolectamos muestras de un pozo, podemos hacer inferencias sobre … lo adivinaste … el agua en el pozo.

En el ejemplo de Color State, el Sr. Yellow y la Sra. Blue recopilaron datos sobre opiniones sobre una nueva carretera, pero la población a la que su investigación es generalizable es diferente. El personal del Sr. Yellow puede generalizar sus resultados al condado de Yellow. El personal de la Sra. Blue puede generalizar al estado.

Resumen de la lección

El propósito de la investigación es estimar una estadística que represente el verdadero parámetro de una población. A veces se comete un error en el diseño de un estudio, en cómo se recopilan los datos durante el estudio o en cómo se analizan los datos después del estudio. Si estos errores conducen a un error sistemático, entonces los hallazgos están sesgados , lo que significa una predisposición a un resultado en particular sobre otro, algo que se supone que la investigación debe evitar.

El error sistemático significa que uno puede predecir un resultado determinado. Las estimaciones precisas se basan en errores aleatorios , lo que significa que los resultados son impredecibles.

Todo esto puede resultar de muestras sesgadas , que son el resultado no intencional de seleccionar muestras de una población que favorecen un resultado sobre otro o un resultado sesgado. Un resultado sesgado significa que la estimación no es confiable o posiblemente incluso carezca de significado porque no podemos generalizar esa estadística a la población de interés. La generalizabilidad es el grado en el que los hallazgos de un estudio representan con precisión la población de interés.

5/5 - (4 votes)