Los métodos de muestreo de no probabilidad utilizan procesos no aleatorios, como el juicio del investigador o el muestreo de conveniencia.
Para que un método de muestreo se considere de muestreo de probabilidad, debe utilizar alguna forma de selección aleatoria.
En otras palabras, los investigadores deben establecer algún proceso o procedimiento que garantice, con confianza, que las diferentes unidades en su población de muestras tienen probabilidades iguales de ser elegido.
Por ejemplo, si un investigador está tratando con una población de 100 personas, cada persona en la población tendría las probabilidades de 1 de cada 100 por ser elegido. Esto difiere del muestreo no probabilidad, en el que cada miembro de la población no tendría las mismas probabilidades de ser seleccionada.
Si no es un investigador experimentado, es probable que esté más familiarizado con el muestreo de probabilidad de lo que piensa.
¿Recuerdas los tiempos en la escuela primaria que tu clase sacó un nombre de un sombrero para determinar quién daría primero su presentación? Eso es probabilidad de muestreo en el trabajo.
Sin embargo, los investigadores de hoy tienden a usar las computadoras como el mecanismo principal para generar números aleatorios utilizados en la selección aleatoria.
El muestreo de probabilidad permite a los investigadores crear una muestra que sea representativa con precisión de la población de interés de la vida real.
Hay varios tipos de muestreo de probabilidad. A continuación explicamos los conceptos básicos de cada uno y abordamos sus ventajas y desventajas.
El muestreo aleatorio simple se considera el método más fácil de muestreo de probabilidad.
¿Cuáles son las técnicas de muestreo probabilístico?
Muestra probabilística, una muestra que se determinó según los principios aleatorios de la población: las probabilidades de selección de todos los objetos son las mismas. Las muestras probabilísticas importantes son la muestra aleatoria simple, la muestra de bulto y la muestra en capas.
Si tiene comentarios de contenido en este artículo, puede informar al equipo editorial por correo electrónico. Leemos su carta, pero le pedimos su comprensión de que no podemos responder a todos.
- los autores
El desarrollo conceptual y la implementación rápida, así como la cooperación óptima con los autores son el resultado de 20 años de publicación del gerente del proyecto. Gerd Wenninger es coeditor de The Handbook of Psychology, The Handbook of Media Psychology, The Handbook of Labor, Salud y Protección del Medio Ambiente y editor de la edición alemana del Manual de Psicoterapia. Es profesor privado en la Universidad Técnica de Munich, con un enfoque en la enseñanza y la investigación en el campo de la psicología ambiental y de seguridad. Además, trabaja independiente como consultor de gestión y entrenador de moderación.
Dr. Uwe Peter Kanning, Münster Dr. Jürgen Kaschube, Munich Prof. Dr. Heiner Keup, Munich Prof. Dr. Thomas Kieselbach, Hanover Prof. Dr. Erich Kirchler, Vienna Dr. Ellen Kirsch, Kiel Prof. Dr. Uwe Kleinbeck, Dortmund Dr. Regine Klinger, Prof. Dr. de Hamburgo Friedhart Klix, Berlín Prof. Dr. Rainer H. Kluwe, Hamburgo Nina Knoll, Berlín Stefan Koch, Munich Prof. Dr. Günter Köhnken, Kiel Dr. Ira Kokavecz, Münster Prof. Dr. Günter Krampen, Trier Prof. Dr. Jürgen Kriz, Osnabrück
¿Qué son las técnicas de muestreo no probabilistico?
El muestreo es el uso de un subconjunto de la población para representar a toda la población o informar sobre procesos (sociales) que son significativos más allá de los casos particulares, individuos o sitios estudiados. El muestreo de probabilidad, o muestreo aleatorio, es una técnica de muestreo en la que se puede calcular la probabilidad de obtener cualquier muestra en particular. En los casos en que la validez externa no es de importancia crítica para los objetivos o propósito del estudio, los investigadores pueden preferir utilizar el muestreo no probabilidad. El muestreo sin probabilidad no cumple con este criterio. Las técnicas de muestreo de no probabilidad no están destinadas a ser utilizadas para inferir de la muestra a la población general en términos estadísticos. En cambio, por ejemplo, la teoría fundamentada se puede producir a través del muestreo iterativo de no probabilidad hasta que se alcanza la saturación teórica (Strauss y Corbin, 1990).
Por lo tanto, uno no puede decir lo mismo sobre la base de una muestra de no probabilidad que sobre la base de una muestra de probabilidad. Los motivos para dibujar generalizaciones (por ejemplo, proponer una nueva teoría, proponer una política) de los estudios basados en muestras de no probabilidad se basan en la noción de «saturación teórica» y «generalización analítica» (Yin, 2014) en lugar de en generalización estadística.
Los investigadores que trabajan con la noción de muestreo intencional afirman que, si bien los métodos de probabilidad son adecuados para estudios a gran escala relacionados con la representatividad, los enfoques no probabilidad son más adecuados para la investigación cualitativa profunda en la que el enfoque a menudo es comprender los fenómenos sociales complejos (por ejemplo, Marshall, Marshall 1996; Small 2009). Una de las ventajas del muestreo no probabilidad es su menor costo en comparación con el muestreo de probabilidad. Además, el análisis en profundidad de una muestra intencional pequeña o un estudio de caso permite el «descubrimiento» y la identificación de patrones y mecanismos causales que no dibujan tiempo y supuestos sin contexto.
Sin embargo, el muestreo de no probabilidad a menudo no es apropiado en la investigación cuantitativa estadística, sin embargo, ya que estas afirmaciones plantean algunas preguntas: ¿cómo se puede comprender un fenómeno social complejo al obtener solo las expresiones más convenientes de ese fenómeno? ¿Qué suposición sobre la homogeneidad en el mundo debe hacer para justificar tales afirmaciones? Por desgracia, la consideración de que la investigación solo puede basarse en la inferencia estadística se centra en los problemas de sesgo vinculado al muestreo no probabilidad y reconoce solo una situación en la que una muestra de no probabilidad puede ser apropiada si uno está interesado solo en los casos específicos estudiados (por ejemplo, , si uno está interesado en la Batalla de Gettysburg), uno no necesita dibujar una muestra de probabilidad de casos similares (Lucas 2014a).
Artículos Relacionados:
- Técnicas de muestreo probabilístico: ¿Cómo seleccionar una muestra representativa?
- Ventajas del muestreo probabilistico: más eficiencia, mejor precisión y menos sesgo
- Estudio revela los beneficios del muestreo probabilístico sistemático para la toma de decisiones
- Conoce las principales características del muestreo no probabilistico
- Conozca las características del muestreo probabilístico y cómo puede beneficiar su estudio
