Investigación retroprospectiva

MUESTREO

En ocasiones en que no es posible o conveniente realizar un, se selecciona una muestra, entendiendo por tal una parte representativa de la población. El muestreo es por lo tanto una herramienta de la investigación científica, cuya función básica es determinar que parte de una población debe examinarse, con la finalidad de hacer inferencias sobre dicha población.
La muestra debe lograr una representación adecuada de la población, en la que se reproduzca de la mejor manera los rasgos esenciales de dicha población que son importantes para la investigación. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las similitudes y diferencias encontradas en la población, es decir ejemplificar las carácterísticas de ésta. TIPOS DE MUESTREO Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y métodos de muestreo no probabilísticos. I.

Muestreo probabilístico

Los métodos de muestreo probabilísticos son aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo estos métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída y son, por tanto, los más recomendables. Dentro de estos encontramos los siguientes tipos

1.- Muestreo aleatorio simple

El procedimiento empleado es el siguiente: 1) Definir la p a estudiar y el total de la M, Identificar la p y la cantidad de N y la n . Se asigna un número a cada individuo de la población  con la misma cantidad de dígitos que la P y 2) a través de algún medio mecánico (bolillero, tablas de números aleatorios, números aleatorios generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario para completar el tamaño de muestra requerido. Este procedimiento, atractivo por su simpleza es decir, se estraen los códigos y luegos de los identifica ssegun su código, tiene poca o nula utilidad práctica cuando la población que estamos manejando es muy grande.

2.- Muestreo aleatorio sistemático

-Definir al total de la P y la Ma trabajar (tb nombres y Apelido de acuerdo a la posibilidad)Ej: N=300 empleados de una fabrica y su n=15-Codificar para conformar el Marco-Calcular el intervalo de selección = Nn ej.: 300/15-20-Se debe poner el 1° digito comprendido entre el n°1 y el n° calculado como intervalo de selección en es-te caso 20 mediante bolillero o "tabla de n aleatorios"Ej: 010 030 050 070Sistemáticamente se va sumando sl intervało para oblener los otros oódigos dei Marco hasta legar al total de la M=15. Identificación 010 Dario030 Celeste050 Roberto070 Miguel

3.- Muestreo aleatorio estratificado

Consiste en considerar categorías típicas diferentes entre sí (estratos) que poseen gran homogeneidad respecto a alguna carácterística (se puede estratificar, por ejemplo, según la profesión, el municipio de residencia, el sexo, el estado civil, etc.).  luego se codifica cada sujetp, elaborando un marco para cada estrado. Se elige al instrumento de selección, se extraen los códigos de cada estrato para llegar a la muesta querida. Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de interés estarán representados adecuadamente en la muestra. Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formarán parte de la muestra. Pueden ser de dos formas*

Proporcionales

En esta técnica, el tamaño de la muestra de cada estrato es proporcional al tamaño de la población del estrato si se compara con la población total. Esto significa que el cada estrato tiene la misma fracción de muestreo. La asignación es por aleatorio simple:  Propo= n/N *

No proporcional

En el muestreo desproporcionado, los diferentes estratos tienen diferentes fracciones de muestreo: el investigador decide q cantidad se extraerá de cada estrato sin ningún criterio (por aleatorio Simple) para llegar al n=40 por ej.: extraerá la misma cantidad de club sin imporar que uno tenga + que el otro

.-

Muestreo aleatorio por conglomerados

Consiste en dividir la población en conglomerados. Se eligen al azar unos pocos de estos conglomerados y la muestra estará formada por todos los elementos de ellos o por muestras aleatorias simples de éstos.Es favorable para muestras muy grandes y cdo. No se conoce el listado de toda la población. Se especifica la p y se separa por conglomerados luego se realiza la codificación de ellos mismos y después la selección del intrumento para estraer un código (bolillero etc). Si se realiza en 1 etapa se extra aleatoriamente un código, se identifica y de esta forma se trabajoa con el o los conglomerados seleccionado /si se realiza en 2 etapas se agrega la selección de algunos sujetos con aleatorio simple de ese conglomerado elaborando un listado o marco del conglomerado seleccionado y extraigo solo una cantidad de códigos para formar mi muesta por ultima identifica cada código con cada persona en el conglomerado elegido.

II. Métodos de muestreo no probabilísticos

A diferencia del muestreo probabilístico, la muestra no probabilística no es un producto de un proceso de selección aleatoria. Los sujetos en una muestra no probabilística generalmente son seleccionados en función de su accesibilidad o a criterio personal e intencional del investigador. Este tipo de muestreo puede ser utilizado cuando se quiere mostrar que existe un rasgo determinado en la población. También se puede utilizar cuando el investigador tiene como objetivo hacer un estudio cualitativo, piloto o exploratorio. Se puede utilizar cuando es imposible la aleatorización, como cuando la población es casi ilimitada. Se puede utilizar cuando la investigación no tiene como objetivo generar resultados que se utilicen para hacer generalizaciones respecto de toda la población. También es útil cuando el investigador tiene un presupuesto, tiempo y mano de obra limitados. Esta técnica también se puede utilizar en un estudio inicial que será llevado a cabo nuevamente utilizando un muestreo probabilístico aleatorio.

 e. P. En la estimación de parámetros se determina el valor exacto de la media parámetro o poblacional que obtiene de medir a todas las personas de la P, y esto muy pocos veces ocurre porque los tiempos y costos de la investigación son escasos, por lo tanto a partir de los valores obtenidos de una M representativa y probabilística realizaremos inferencia de la (media paråmetro o poblacional.)

La E. De P consiste en estimar el valor de la media poblacional, tb denominada media parámetro (y) a partir del valor estadístico proveniente de la M seleccionada de forma aleatoria, esa estimación que se realiza es probabilistica , puede a no ser certera, se habla de intervalos de confianza ya sea del 99% o el 95% en la estimación. La E. De P.
Puede ser puntual: se estima para la media poblaciónal el mismo valor del estadístico proveniente de la M por ej. Si la edad promedio de un grupo de estudiantes de la Facutad es de 22 años, se infiere que la media Poblacional es 22.
La Estimación por Intervalos de Confianza, trata de encontrar el parámetro poblacional entre dos valores que limitan los intervalos de confianza, por ejemplo entre 19 a 25 años, denominado Limite Inferior y Limite Superior

Los datos necesarios de una M que necesitamos para realizar la EP son: Media aritmética, s (desvi estándar) y n (total de la M). Una vez recolectado estos datos comienza el proceso de estimación en el que participan tres distribuciones:

Distribución de la MUESTRA, que es conocida y empírica xq en la investigación mido a todas las personas de la M.

Distribución de la POBLACIÓN es desconocida e hipotética, xq desconozco, aunque supongo a las personas y el total de la misma. Hacia esta se realiza la inferencia.
Distribución MUESTRAL DEL ESTADÍSTICO (: es una distribución de probabilidad teórica que permite realizar el pasaje de la M a la P por las propiedades que presenta como distribución teórica. Es la más importante de las tres distribuciones.

DISTRIBUCIÓN DE PROBABILIDAD:

describen datos q se podrían observar bajo ciertas condiciones específicas. Son distribuciones teóricas, ideales, hipotéticas, son modelos teóricos matemáticos que se utilizan para suponer y saber cómo se distribuyen datos de una distribución desconocida, ej. La Curva Normal oCampana de Gauss y la Distribución T de Student.

Curva Nomal

: modelo teórico, ideal y supuesto de una distribución de probablidad que se caracteriza por: simétrica, asintótica, mesocurtica, el área bajo de la curva en proporción es = a 1 o al 100 %, se estandariza con un puntaje z donde la x es 0 y la S= 1, por lo que el 68% central de los casos está entre-1Z y 1z. Este modelo se lo usa para casos en que la muestra es igual o mayor a 30 casos.

Curva T de Student es una familia de Curvas T que dependen de los grados de Libertad fg:) que son el número de restricciones que varían libremente, se caracteriza por ser simétrica, es aproximada mente normal, sus extremos se elevan y en el medio es mas aplanada que la Curva Normal, se utilizan los G.L para normalizar y asemejarla a la Curva Normal, se estandariza con puntaje T, por lo tanto utilizaremos la Tabla de Puntajes T. Este modelo se utiliza para muestras pequeñas, es decir menores que 30.

Distribución muestral de un estadístico:

es una distribución de probabilidad, supuesta, teórica, ideal

que describe las probabilidades que puede tomar un estadístico obteniendo de todas las M posibles aleatorias y de igual tamaño de una P, no se construye empíricamente, sino que se estima y se supone utilizando los modelos teóricos (Curva Normal y T de Student). El estadístico puede ser una MTC (x, mo, Md), Medida de Variabilidad, posición, etc.

Distrlbución muestral de X es una distribución de probabilidad de todos los valores de medias () obtenidas de todas las M posibles, aleatorias de igual tamaño de una P. No se construye por medios empírcos, se la supone utilizando modelos teóricos como la C.N y la T de Student. Se utiliza este modelo para estimar el valor de la media de la población (Media parámetro). El promedio de todas las medias de las muestras es u se denomina "Media de todas las medias" y su valor es igual al del parámetro poblacional   u u = ux

La desviación estándar de la distribución muestral se denomina "error estándar g, indica la dispersión 0vaniación de las medias () alrededor del promedio de la población (). Se calcula: Para delerminar la forma y las caracterislicas de la distribución muestral de medias se tienen en cuenta dos leyes:

1. Teorema del Límite Central: dada una P normal con u y o, la distribución central de medias () también será normal con una u=u y o/n

2. Ley de los Grandes Números: la distribución muestral de x tiende a la normalidad a medida que n va aumentando, independiente de la Torma de la distribución poblacional, con media y vananza o.

Los Estadísticos son los valores de la M: X y S, y el Parámetro de la P H que lo estimamos entre dos limites de confianza./Los estimadores son x y s que permiten realizar una estimación de u y o./La u es valor fijo de la P que se lo desconoce y la x es un valor cambiante que puede asumir diferentes valores de acuerdo a la M extraída, por eso decimos que los estimadores son V constituidas por todos los valores pasibles que puede asumir un estadístico a partir de M probabilisticas del mismo número de casos.

Los estadísticos para ser considerados como buenos estimadores de parámetros deben reunir determinadas propiedades: insesgabilidad y eficiencia

Estimadores y estimación de parámetros

Un estadístico cumple la función de estimador del parámetro que se pretende estimar. Recordemos que se trata de una variable aleatoria construida por todos los valores posibles que puede asumir a partir de muestras probabilisticas del mismo número de casos
. Para que un estadístico pueda ser considerado un buen estimador puntual debe reunir determinadas propiedades, entre ellas:

a) Insesgabilidad: Un estimador es insesgado cuando el valor de la media de la distribución muestral del estadístico es exactamente igual al valor del parámetro por estimar. Por ejemplo,3 es un estimador insesgado de  u  porque u =U x. 

b) La eficiencia se determina por el grado en que la distribución muestral del estadístico está agrupada alrededor del valor verdadero del parámetro. Por ejemplo, y Md son estimadores insesgados de la, pero R es un estimador más eficiente que Md porque o = o/ la raíz cuadrada de n es menor que Om= 1,25 oraiz de n.

Cando se asigna un valor concreto a un estadístico se realiza la estimación de un parámetro. Se espera que la estación no se aleje mucho del valor real.

Dado un parámetro determinado se puede disponer de más de un estadístico diferente para estimarlo, no existe una forma directa de establecé cuál es el ideal.

Estimación puntual:

Es la más simple de las inferencias estadísticas. Consiste en asignar un valor muestral concreto al parámetro poblacional que se desea estimar. La estimación puntual de un parámetro poblacional es el valor particular que asume el estadístico que utilizamos como estimador.

Estimación por intervalo de confianza;

Se basa en un rango de valores entre los que se espera que pueda encontrarse el verdadero valor del parámetro con una probabilidad alta y conocida. La construcción de este tipo de intervalos sólo cabe para las muestras respecto de las cuales se conoce la probabilidad de selección de cada uno de los elementos de la población.

Calidad de la información muestral en la estimación de parámetros

Errores debidos al azar

Ningún subconjunto de datos describe exactamente al conjunto total del que forma parte. El grado de error en el que se incurre al extender los resultados de una muestra probabilistica a la población respectiva se puede establecer a través del error estándar.

El error estándar mide las variaciones debidas al azar, es decir, los "errores de muestreo" (fluctuaciones de muestra en muestra) y los "errores casuales" (factores eventuales que afectan las mediciones). Cuanto menor es su valor, mayor es la precisión en la inferencia, de allí la importancia de poder determinarlo.

_Errores ajenos al azar

Tanto en un censo (cuando se considera la población completa) como en un muestreo (cuando se toma en cuenta sólo una parte de la población) pueden deslizarse equivocaciones no casuales, tales como definición poco clara de la población, fraude, cansancio, etc. El error estándar no descubre este tipo de descuidos, como tampoco los derivados de una selección inapropiada de las muestras. Invertir mucho dinero en una muestra grande para aumentar la precisión en las estimaciones constituye

un derroche si se dejan pasar errores que surgen de un .Muestreo mal realizado, porque el error estándar se convierte entonces en una medida de dudoso valor.

Las carácterísticas que se tienen en cuenta en una muestra son:

Tamaño se establece mediante formulas en función del grado de confianza y precisión q planteamos

Forma de elección es fundamental para que la muestra sea representativa de la población de la cual se extrae.