Elizabeth, una terapeuta de masaje con licencia, tiene una maestría en zoología del estado de Carolina del Norte, una en SIG de la Universidad Estatal de Florida y una licenciatura en biología de la Universidad del Este de Michigan. Ella ha enseñado a nivel universitario de ciencia física y biología.
Cuando cocino, me gusta seguir recetas, pero también me gusta hacerlas mías. Así que sigo los pasos: cortar, mezclar, agitar, hornear, hirviendo, etc. Pero en el camino, puedo agregar una pizca de esto o una cucharada de eso para hacer que el plato sea un poco más interesante. Sin embargo, no solo voy en una bolsa de condimento entero; Agrego un poco hasta que sabe bien. ¿Cómo sé cuándo parar? Bueno, sigo probándolo hasta que tenga el sabor correcto.
Estos pequeños gustos me permiten probar los cambios en el plato sin tener que comer todo. Quiero decir, eso sería algo bastante tonto, ¿verdad? Puedo asumir razonablemente que mi pequeña cucharada es representativa del resto de la olla en la estufa: no hay razón para que tenga que seguir las pruebas de gusto a menos que agregue algo nuevo. De lo contrario, puedo apostar con seguridad que lo que tengo para mi comida sabrá igual que esa pequeña muestra en mi cuchara.
Los científicos a menudo hacen los mismos tipos de suposiciones sobre una población, que son todos los miembros de un grupo que se está estudiando. Una población puede estar compuesta por cualquier cosa: personas, árboles, hogares, automóviles, botellas de champú… sea lo que sea que estés estudiando.
Los supuestos sobre la población se basan en una muestra, que es una pequeña porción que representa las características de la población general. Al igual que mi cucharada aleatoria de alimentos debe representar a cómo sabrá el resto del plato, una muestra científica aleatoria debe representar cómo es el resto de la población.
¿Qué es la selección de muestra en una investigación?
Mi comprensión del tamaño de la muestra es que es una parte de la población que sirve para representar a la población.
Sin embargo, no estoy seguro de si el tamaño de la muestra de una investigación para investigar cómo la variable X afecta la variable Y (en la que se investiga un rango de x para ver cómo afecta y) se refiere al número de repeticiones realizadas en cada x o en el x o el número total/rango de x usado.
Por ejemplo, para una investigación con el contexto adjunto a continuación, ¿las 3 repeticiones realizadas en cada masa cerebral (por ejemplo, Cavy A, Cavy B y Cavy C) serían el tamaño de la muestra? ¿O el rango de masa cerebral, es decir, 5 (Cavy, Gerbil, Hámster, Mouse y Rat) sería el tamaño de la muestra?
Mi maestro me ha dicho que las 3 repeticiones realizadas en cada masa cerebral es el tamaño de la muestra para este contexto, pero no estoy seguro de si eso es correcto. Gracias.
La muestra es una colección de observaciones de una población que sirve para representar a la población. El tamaño de la muestra es el número de tales observaciones. Creo que parte de lo que te está arrojando aquí es que hay diferentes tamaños de muestra dependiendo de lo que estés hablando.
Por lo general, hay un número, representado por N, que refleja el tamaño total de la muestra. En su caso, el número total de observaciones es n = 15. Si indicaba el tamaño de la muestra en cada grupo, podría decir n = 5. Observe el uso de una n menor.
En algunos casos, cuando las observaciones se «anidan» en diferentes grupos o poblaciones, también es posible que desee indicar tanto el tamaño de la muestra al nivel del grupo/población como el tamaño de la muestra al nivel de individuos anidados en esas poblaciones. El tamaño de la muestra generalmente se informa en ambos niveles cuando está haciendo modelado multinivel, por ejemplo. En ese caso, el tamaño de la muestra a nivel de grupo sería 3, y el tamaño de la muestra de nivel individual sería 15.
¿Qué es la selección del diseño de una muestra?
Los prototipos son imprescindibles en el sector de la moda, pero puede encontrar una mejor manera de ver el producto final. Las muestras de ropa son enviadas por un fabricante al diseñador y representan el tamaño, la apariencia y la calidad de los productos que recibiría al hacer una orina completa. Las muestras son esenciales antes de producir cualquier prenda en grandes cantidades, sin embargo, conducen a un mayor desperdicio de material textil.
En los Estados Unidos, los consumidores descargan decenas de millones de toneladas de desechos textiles cada año y solo el 15% se recicla. Los consumidores no son la principal fuente de desperdicio de moda, de hecho, la industria de la moda genera, según lo estimado por expertos, aproximadamente 40 veces más desechos textiles que los consumidores.
Este desperdicio también es dado por el hecho de que muchas muestras hacen directamente tiradas.
La montaña de residuos generados por el sector de la moda está poniendo a prueba el medio ambiente.
La importancia de las muestras de ropa: ¿vale la pena?
Las muestras le permiten observar si es necesario revisar el diseño antes de pasar a la producción completa de la ropa, además, si el diseñador requiere muestras a diferentes proveedores, le permita evaluar las diversas ofertas. La fase de muestra es importante porque le permite solicitar cambios y revisiones hasta que piense que el producto es perfecto.
- Prototipo
Es útil para un proyecto original en el que el fabricante puede tener que crear un molde, una razón o una impresión de pantalla.
¿Cómo se realiza la selección de una muestra en la investigación cuantitativa?
- Definir la generalización y describir cómo se logra en muestras de probabilidad
- Identifique los diversos tipos de muestras de probabilidad y describa por qué un investigador puede usar un tipo sobre otro
Los investigadores cuantitativos a menudo están interesados en hacer generalizaciones sobre grupos que son más grandes que sus muestras de estudio, lo que significa que buscan explicaciones causales nomotéticas. Si bien ciertamente hay casos en que los investigadores cuantitativos dependen de muestras de no probabilidad (por ejemplo, cuando hacen investigación exploratoria), los investigadores cuantitativos tienden a confiar en técnicas de muestreo de probabilidad. Los objetivos y técnicas asociadas con muestras de probabilidad difieren de las de las muestras de no probabilidad. Exploraremos esas metas y técnicas únicas en esta sección.
A diferencia del muestreo de no probabilidad, el muestreo de probabilidad se refiere a las técnicas de muestreo para las cuales se conoce la probabilidad de una persona de ser seleccionada del marco de muestreo. Nos importa la probabilidad de un posible participante de ser seleccionado para la muestra porque en la mayoría de los casos, los investigadores utilizan técnicas de muestreo de probabilidad para identificar una muestra representativa para recopilar datos. Una muestra representativa se asemeja a características importantes de la población de las cuales se extrajo, en formas que son importantes para la investigación que se realiza. Por ejemplo, si desea informar sobre las diferencias entre hombres y mujeres al final de su estudio, debe asegurarse de que su muestra no contenga solo mujeres. Si bien ese ejemplo es una simplificación excesiva, la representatividad significa que su muestra debe contener el mismo tipo de variación que están presentes en su población objetivo más grande.
Obtener una muestra representativa es importante en el muestreo de probabilidad debido a la generalización. De hecho, la generalización es quizás la característica clave que distingue las muestras de probabilidad de las muestras de no probabilidad. La generalización se refiere a la idea de que los resultados de un estudio nos dirán algo sobre un grupo más grande que la muestra a partir de la cual se generaron los hallazgos. Para lograr la generalización, un principio central de muestreo de probabilidad es que todos los elementos en el marco de muestreo del investigador tienen las mismas posibilidades de ser seleccionados para su inclusión en el estudio. En la investigación, este es el principio de selección aleatoria. Los investigadores usan el generador de números aleatorios de una computadora para determinar quién es el marco de muestreo que se recluta en la muestra.
El uso de la selección aleatoria no significa que su muestra sea perfecta. Ninguna muestra es perfecta. El investigador solo puede producir resultados perfectos si incluyen a todos, desde la población objetivo hasta la muestra, lo que derrota el propósito del muestreo. La generalización de una muestra a una población siempre contiene cierto grado de error. Esto se conoce como error de muestreo, que es el cálculo estadístico de la diferencia entre los resultados de una muestra y los parámetros reales de una población.
¿Cómo se selecciona un muestra de investigación cuantitativa?
El objetivo principal del muestreo es obtener una muestra representativa, o una pequeña colección de unidades o casos de una colección o población mucho mayor, para que el investigador pueda estudiar el grupo más pequeño y producir generalizaciones específicas en el grupo más grande. Los investigadores se centran en técnicas específicas que obtendrán muestras altamente representativas (es decir, muestras que se parecen mucho a la población). Los investigadores cuantitativos tienden a usar un tipo de muestreo basado en teorías de probabilidad de las matemáticas, llamado muestreo probabilístico.
El muestreo no probabilístico es una técnica de muestreo en la que cada unidad de una población no tiene una probabilidad específica de ser seleccionado. En otras palabras, el muestreo no probabilístico no selecciona sus unidades en la población de manera matemáticamente aleatoria. Por lo tanto, las muestras no aleatorias a menudo producen muestras que no son representativas de la población. Esto también significa que nuestra capacidad para sacar conclusiones generales es muy limitada.
Un procedimiento de muestreo en el que un investigador selecciona casos de cualquier manera que se adapte a ellos en la muestra. El muestreo aleatorio puede producir muestras ineficaces y muy mal representativas y, por lo tanto, no se recomienda. Cuando un investigador selecciona al azar casos que le convengan, puede obtener fácilmente una muestra que representa la población muy mal. Tales muestras son económicas y rápidas; Sin embargo, los errores sistemáticos que ocurren fácilmente los empeoran fácilmente que la ausencia total de muestra.
El muestreo de cuotas es una mejora en relación con el muestreo aleatorio. En el muestreo de las cuotas, el investigador comienza identificando las categorías de personas interesadas (por ejemplo, hombres, mujeres, menores de 30 años, aquellos mayores de 30 años), luego decide el número de personas que pertenecen a cada categoría. Por lo tanto, se fija el número de personas en las diferentes categorías de la muestra.
¿Cómo se hace la selección de la muestra en una investigación cualitativa?
- Defina el muestreo de no probabilidad y describe casos en los que un investigador podría elegir una técnica de muestreo no probable.
- Describa los diferentes tipos de muestras de no probabilidad.
Los investigadores cualitativos generalmente toman decisiones de muestreo que les permiten profundizar la comprensión de cualquier fenómeno que esté estudiando. En esta sección, examinaremos las estrategias que los investigadores cualitativos generalmente emplean cuando se muestrean, así como los diversos tipos de muestras que los investigadores cualitativos tienen más probabilidades de usar en su trabajo.
Se desconoce las técnicas de muestreo de muestreo de no probabilidad para las cuales se desconoce la probabilidad de una persona de ser seleccionada para la membresía en la muestra. Se refiere a las técnicas de muestreo para las cuales se desconoce la probabilidad de una persona (o del evento o investigador) de ser seleccionado para la membresía en la muestra. Debido a que no sabemos la probabilidad de selección, no sabemos con muestras de no probabilidad si una muestra representa una población más grande o no. Pero eso está bien, porque representar a la población no es el objetivo con muestras de no probabilidad. Dicho esto, el hecho de que las muestras de no probabilidad no representan una población más grande no significa que se sientan arbitrariamente o sin ningún propósito específico en mente (una vez más, eso significaría cometer uno de los errores de investigación informal discutida en el Capítulo 1 «Introducción «). En la siguiente subsección, «Tipos de muestras de no probabilidad», analizaremos más de cerca el proceso de selección de elementos de investigación La unidad individual que es el foco de la investigación de un investigador; Los posibles elementos en ciencias sociales incluyen personas, documentos, organizaciones, grupos, creencias o comportamientos. Al dibujar una muestra de no probabilidad. Pero primero, consideremos por qué un investigador podría optar por usar una muestra de no probabilidad.
¿Cómo se selecciona la muestra en una investigación cualitativa?
Si bien la investigación cuantitativa básicamente tiene como objetivo obtener estadísticas, por ejemplo, los números y las frecuencias, la investigación calitativa analiza las razones del comportamiento humano, analizando casos específicos con más detalle que un estudio cuantitativo. Para seleccionar a los participantes para un estudio cualitativo, los investigadores utilizan un muestreo intencional o decidido, eligiendo a las personas que se ajustan a las características que desean estudiar.
Haga una lista de las características que deben tener sus participantes. Estos pueden incluir edad, género, ingresos, religión, región geográfica y estado civil. Para la investigación de mercado, sus características pueden incluir comprar un producto en particular o comprar en una tienda en particular. En la investigación médica, una muestra cualitativa podría incluir personas que padecen una afección particular.
Identifique y muestree a cada persona que cumpla con los criterios de muestra. Esto funciona para estudios con características de muestra que se dirigen a un grupo muy estrecho. Si investiga el servicio al cliente en una pequeña empresa que tiene solo 50 clientes, por ejemplo, esos 50 clientes representan su muestra.
Identifique una ubicación donde pueda seleccionar personalmente su muestra. En algunos casos, este es el método obvio. Por ejemplo, si desea conocer la lealtad del cliente en una tienda en particular, busque su muestra en la tienda misma. Puede ser una ubicación virtual: conduzca una solicitud en un foro de Internet para encontrar personas que compartan un interés especializado en particular.
Pida a los participantes que sugieran a otros participantes que califican. Por ejemplo, solicite a los participantes en una encuesta en línea que envíe el enlace a otros amigos que tienen las características relevantes, como un interés particular. Esto se conoce como muestreo de red.
¿Cómo se lleva a cabo el procedimiento de selección de la muestra?
Los requisitos para la masa de muestra y la distribución del tamaño están determinados por el tipo de modelo matemático utilizado para simular el sistema de ingeniería de procesos, así como el trabajo de prueba requerido para proporcionar los parámetros del modelo correspondientes. Las pruebas de flotación generalmente requieren varias pruebas de muestra de kg y comida / dureza entre 2 y 300 kg.
El proceso de selección de muestra se lleva a cabo para optimizar la granularidad, el soporte de la muestra y los costos. Las muestras suelen ser muestras de núcleo que se ensamblan sobre la altura de la minería. En el caso de los parámetros resistentes, el variograma a menudo se eleva rápidamente cerca del origen y puede alcanzar el umbral a intervalos, que son considerablemente más pequeños que la distancia típica del collar de pozo. Por esta razón, la precisión del modelo incremental a menudo es simplemente una consecuencia del límite central debido al trabajo de prueba adicional, y se busca correlaciones secundarias para aumentar la precisión sin un muestreo adicional y los costos de las pruebas. Estas correlaciones secundarias pueden incluir un análisis de regresión multivariable con otros parámetros de mineral no metalúrgicos y / o una dominación según el tipo de roca, la litología, la alteración, la mineralogía o los dominios estructurales.
Las siguientes pruebas generalmente se usan para el modelado geometalúrgico:
- Examen del índice de trabajo de la fábrica de bolas de enlace
- Índice de molino de bolas de enlace modificado o comparativo
- Índice de trabajo de la fábrica de bonos y el índice de trabajo del cortador de corte de baja energía de enlace
- Prueba de sagdesign
- Prueba SMC
- Prueba de peso del caso JK
- Prueba de índice de carga de puntos
- Diga la prueba de índice de potencia (SPI (R))
- Prueba de MFT
- Pruebas de FKT, SKT y SKT-WS
Bloque Kriging es el método más común para los parámetros del índice metalúrgico de interpolación usada en geoestadist y a menudo se aplica en forma de dominio. Las geoestadísticas clásicas requieren que la variable estimada sea aditiva, y actualmente hay algunos debates sobre la naturaleza aditiva de los parámetros del índice metalúrgico medidos por las pruebas anteriores. La prueba de índice de trabajo de Bond Ball Mill se considera aditiva debido a sus unidades de energía. Los resultados de la mezcla experimental, sin embargo, muestran un comportamiento no aditivo. Se sabe que el valor SPI (R) no es un parámetro adicional, pero los errores causados por los rangos de bloques no se consideran significativos. Estos problemas se examinan, entre otras cosas, como parte del Programa de Investigación AMIRA P843 para el mapeo geometalúrgico y el modelado de minería.
Artículos Relacionados:
