El objetivo de una investigación estadística es analizar ciertos aspectos que se refieren a un sector de mercado, producto o servicio. Para lograr esto, es útil identificar la muestra a analizar. Veamos cuáles son los métodos de muestreo más utilizados.
Para una muestra estadística, se hace referencia a un grupo de unidades, un subconjunto particular de la población, identificado para permitir la generalización a toda la población. Se dice que una encuesta es una muestra cuando es útil para la inferencia, es decir, deducir de la muestra en sí una información relacionada con toda la población. En el caso de la investigación sobre toda la población, de hecho, debemos hablar del censo y ya no de la investigación de la muestra. Por lo tanto, la teoría de la muestra es una parte integral de la inferencia estadística, con los métodos de muestreo relativo, y le permite identificar las unidades cuyas variables quieren analizar.
El proceso de identificación, dentro de la población objetivo, de las unidades estadísticas que formarán parte de la muestra, se define el muestreo.
En estadísticas, se habla de muestreo probabilístico cuando cada sujeto u objeto, del cual está compuesto la población, tiene una probabilidad diferente desde el cero de ser incluida en la muestra.
Este tipo de muestra garantiza la representabilidad, mientras que en muestras no probabilísticas no se pueden generalizar los resultados de la investigación. De hecho, los resultados del muestreo probabilístico pueden extenderse con un cierto nivel de confianza a la población. Estos son los métodos de muestreo probabilístico más utilizados:
En este tipo de muestreo, un grupo de encuestados es seleccionado por una extensa población, sabiendo que algunos miembros de esa población no tendrán posibilidad de ser probados. Precisamente por esta razón, el muestreo no probabilístico tiene tiempos y costos decididamente más sostenibles. Por lo tanto, muchas investigaciones estadísticas se llevan a cabo recurriendo a este método.
¿Qué tipos de muestreo hay en estadistica?
94 La estadística es la ciencia de la incertidumbre que trata de generalizar para toda una población dada las conclusiones extraídas de los resultados de una muestra: esto se llama inferencia estadística (Gilbert, 1978) [9]. La estadística reúne métodos de los cuales recopilamos, organizamos, resume y analiza datos que permiten sacar conclusiones y tomar decisiones (Spiegel, 1976, cap. 1) [10]. Para Silk (1979, cap. 1) [3], la estadística es primero inductiva en el sentido de que las conclusiones sacadas superan en cierta medida las premisas en las que se basan. Por ejemplo, una muestra revela que más del 30 % de los residentes en un municipio compran en el centro de compras en las afueras. ¿Podríamos concluir que el 30 % de todos los residentes de este municipio compran en este centro de compras? Esta pregunta es importante porque solo la parte de los residentes ha sido entrevistado. La statistique inférentielle permet de répondre à cette question en estimant, à partir de la fréquence calculée pour l’échantillon, un intervalle de confiance autour de cette fréquence, ayant une probabilité de chances (que l’on choisit) de contenir la fréquence sur toute la población. Entonces, ¿cómo podemos probar una hipótesis sobre el porcentaje de una población de residentes que compran ropa en un centro comercial ubicado en las afueras de un municipio? La decisión estadística pasa por la prueba de hipótesis (§ 6.8).
95 en ciertamente no pueden presentar todas las técnicas de estadísticas inferenciales porque son demasiado numerosas. Sin embargo, debe decirse que son «poderosos», especialmente aquellos con las presunciones más «exigentes»; Son aún más ya que el tamaño de la muestra aumenta. Sin embargo, estos métodos «paramétricos» llamados incluyen presunciones que a menudo interfieren con su aplicación. Tomemos, por ejemplo, el modelo de regresión simple.
96 Es un modelo que le permite abordar las siguientes preguntas. ¿Existe una relación entre dos variables? Si es así, ¿los valores de uno predicen los valores del otro? Por ejemplo, con el modelo de regresión simple, estamos buscando la tendencia entre los cambios en una variable «y» bajo la influencia de los cambios en una variable «x» o bajo la influencia de los cambios variables, dice independiente: x1, x2, x3,… xn. Esta tendencia está representada por una línea de regresión, es decir, una pendiente que es un valor que indica las variaciones de «y» de acuerdo con las variaciones de «x». Esta línea de regresión lineal es la derecha para la cual la suma de los cuadrados de estos errores de estimación es la más pequeña. Hay varios métodos disponibles. Lo más conocido es el de los cuadrados más pequeños: es un método simple que permite calcular estimadores sin sentido, efectivos y exhaustivos. Sin embargo, se deben respetar ciertas presunciones a veces muy restrictivas:
Los valores de Yi de la variable son estadísticamente independientes;
¿Qué es el muestreo en estadística y ejemplos?
Por el contrario, los textos de muestreo estadístico definen estrictamente un diseño de una etapa como uno basado en una selección aleatoria de gráficos que tienen recuentos completos realizados en ellos, y un diseño de dos etapas como uno basado en una muestra de clúster de dos etapas.
El muestreo estadístico está dibujando un conjunto de observaciones al azar de una distribución de la población. A menudo, no conocemos la naturaleza de la distribución de la población, por lo que no podemos usar fórmulas estándar para generar estimaciones de una estadística u otra. Si estamos dispuestos a suponer que una distribución de muestra refleja adecuadamente la distribución de la población, podemos volver a muestrear de la distribución de la muestra para obtener estimaciones descriptivas como la mediana, el error estándar, un intervalo de confianza y similares. Al repetir la operación de muestreo una gran cantidad de veces, quizás 1000, disminuimos el error de muestreo y aumentamos la calidad de las estimaciones. La suposición parece a muchos usuarios como un gran salto de fe. Sin embargo, si el muestreo se ha realizado cuidadosamente, es verdaderamente aleatorio y es de un tamaño razonable, el bootstrap proporciona estimaciones sorprendentemente buenas. Algunos paquetes de software estadístico proporcionan la capacidad para el muestreo y la estimación de Bootstrap.
En la tradición de la investigación observacional, las generalizaciones a los universos objetivo (cuestión de validez externa 1) se justifican mejor a través de la correspondencia entre las muestras y los universos que representan. Cuando los universos están claramente designados y sus elementos pueden muestrearse con probabilidad conocida, la teoría de muestreo estadístico proporciona la justificación más fuerte para esta correspondencia. Aunque designar poblaciones humanas (por ejemplo, estudiantes, maestros, aulas y escuelas) para probar es relativamente sencillo (por ejemplo, listas de estudiantes, directorio de escuelas), rara vez se practica en una investigación experimental y cuasi-experimental, en la que las primarias principales El énfasis está en la validez interna más que externa. Además, la teoría del muestreo puede ser imposible de aplicar al seleccionar instancias de los universos de tratamiento (por ejemplo, tareas), resultados (por ejemplo, resultados de aprendizaje) y configuraciones (por ejemplo, contexto sociocultural). Estos universos, a menudo, se definen como construcciones teóricas con límites difusos, en lugar de nítidos, (Matt, 2005), generalmente tienen definiciones múltiples y parcialmente conflictivas, y carecen de marcos de muestreo comúnmente aceptados. Tan valioso como la teoría de muestreo estadístico puede ser cuando se aplica a universos designados y marcos de muestreo válidos, no proporciona una panacea para todos los dominios de generalización. Tampoco proporciona soporte para generalizaciones entre subuniversos y extrapolaciones (preguntas de validez externa 2 y 3).
La técnica de análisis llamada Monte Carlo es, en esencia, una metodología para usar medios de muestra para estimar medios de población. El término Monte Carlo se acuñó cuando las computadoras digitales se usaron primero para implementar el procedimiento que, hasta entonces, se había llamado muestreo estadístico. En su forma más simple, Monte Carlo convierte bits en números racionales significativos. Ejecute un experimento que conduce al éxito (uno) o la falla (cero). Repita el experimento n veces. Llame a n el número de historias o ensayos. Luego divida el número de éxitos por el número de ensayos. Hay n + 1 posibles resultados (0, 1/n, 2/n,…, n/n = 1). Si N es grande, entonces la cantidad S/N da una buena aproximación al valor promedio o esperado del experimento. En esta forma, cada historial es un poco (un cero o uno) y el resultado es un número racional. En la siguiente sección, se muestra cómo se puede usar este proceso simple para estimar el número irracional π.
Artículos Relacionados:
- Los 3 tipos de muestreo estadístico más comunes y cómo elegir el adecuado para tu encuesta
- Los 5 tipos de muestreos estadísticos que debes conocer
- Ejemplo de muestreo en estadística: cómo seleccionar una muestra representativa
- Estadística: Qué es el muestreo y cómo se hace
- ¿Qué es muestreo no estadístico? ¿Cuándo se usa?
- ¿Qué es el muestreo y para qué sirve?
