1. Ofrece la oportunidad de realizar un análisis de datos que tiene menos riesgo de llevar un error. El muestreo aleatorio permite a los investigadores realizar un análisis de los datos que se recopilan con un margen de error más bajo. Esto está permitido porque el muestreo ocurre dentro de los límites específicos que dictan el proceso de muestreo. Debido a que todo el proceso es aleatorio, la muestra aleatoria refleja toda la población y esto permite que los datos proporcionen información precisa sobre temas específicos.
2. Existe la misma posibilidad de selección. El muestreo aleatorio permite que todos o todo dentro de una región definida tengan la misma oportunidad de ser seleccionados. Esto ayuda a crear más precisión dentro de los datos recopilados porque todos y todo tiene una oportunidad 50/50. Es un proceso que construye una «equidad» inherente en la investigación que se realiza porque no se incluye información previa sobre las personas o elementos involucrados en el proceso de recopilación de datos.
3. Requiere menos conocimiento para completar la investigación. Un investigador no necesita tener un conocimiento específico sobre los datos que se recopilan para ser efectivos en su trabajo. Los investigadores podrían preguntarle a alguien quién prefiere ser el próximo presidente de los Estados Unidos sin saber nada sobre las estructuras políticas estadounidenses. En un muestreo aleatorio, se hace una pregunta y luego se responde. Se revisa un elemento para una característica específica. Si el investigador puede realizar esa tarea y recopilar los datos, entonces han hecho su trabajo.
4. Es la forma más simple de recopilación de datos. Este tipo de investigación implica habilidades básicas de observación y grabación. No requiere habilidades básicas de la base de la población o los artículos que se investigan. También elimina los errores de clasificación que pueden estar involucrados si se estaban utilizando otras formas de recopilación de datos. Aunque la simplicidad puede causar algunos problemas no deseados cuando una muestra no es un reflejo genuino de la población promedio que se revisa, los datos recopilados son generalmente confiables y precisos.
5. Se pueden incluir múltiples tipos de aleatoriedad para reducir el sesgo del investigador. Hay dos enfoques comunes que se utilizan para un muestreo aleatorio para limitar cualquier sesgo potencial en los datos. El primero es un método de lotería, que implica tener un dibujo de grupo de población para ver quién será incluido y quién no. Los investigadores también pueden usar números aleatorios que se asignan a individuos específicos y luego tienen una colección aleatoria de los de los números seleccionados para ser parte del proyecto.
¿Por qué se muestrea?
Ya sea que nunca haya podido ver el estado de actividad de sus amigos o que de repente dejó de verlo, hay algunas explicaciones posibles.
Primero, cubramos los conceptos básicos. ¿Es la persona cuyo estado de actividad no puede ver que te siga? Si su respuesta es no, no necesita leer más.
Instagram solo le permite ver cuándo las personas que sigues estaban las últimas activas, por lo que lo mismo ocurre.
Esta característica solo está reservada para personas con las que ha conversado recientemente en su bandeja de entrada directa. Si este no es el caso, no podrá ver su estado de actividad.
Sin embargo, si chatea con la persona que le interesa, la palabra clave aquí es reciente. El estado de la actividad se limita a los primeros 25 usuarios en su lista de mensajes directos, por lo que si no ha enviado un mensaje de texto a esa persona en un tiempo, no podrá ver cuándo estuvieron activos por última vez.
Quizás la razón más directa para no ver el estado de actividad de alguien es que no quieren que usted ni nadie más lo vea. Esto significa que el usuario deshabilitó la configuración «Última activa», y no hay forma de omitir esto.
No todos están particularmente entusiasmados con esta característica, por lo que Instagram hizo apagarlo bastante simple. Si desea deshabilitar esta función, lea y la abordaremos más tarde.
Es completamente comprensible si no quieres que nadie vea cuándo estuviste activo en Instagram. Pero, odiamos que te lo rompa, esa es una calle de dos vías. Si no pueden ver el estado de su actividad, no puede ver el suyo.
¿Por qué se trabaja con muestras estadísticas?
Para explicar por qué se usa una muestra estadística en lugar de la población total, recurriremos al ejemplo elevado.
Supongamos que queremos estudiar cualquier fenómeno. En nuestro caso, este fenómeno es el salario promedio de los ciudadanos de un país. La población de datos consiste en cada trabajador individual en el país. Por supuesto, por razones de tiempo y costo, sería imposible preguntarle a cada trabajador cuál es su salario anual. Tomaría mucho tiempo o necesitaríamos muchos recursos.
En este punto aparece el concepto de muestra estadística. En lugar de preguntar a los millones de trabajadores en un país o región, solo recopilamos una pequeña cantidad de datos. Por ejemplo, preguntamos a 100,000 personas. Esta tarea sigue siendo complicada, pero es mucho más conveniente pedir 100,000 personas que pedir 30 millones.
Esta pequeña cantidad de datos debe ser representativa. Es decir, debe representar adecuadamente a la población. Si las 100,000 personas que hemos pedido están concentradas en los vecindarios ricos, obtendremos datos no representativos. El salario promedio sería mucho más alto de lo que realmente es.
Si quieres hacer una buena investigación, la calidad del campeón estadístico es esencial. Es inútil realizar las métricas estadísticas más complejas con los modelos más sofisticados si la muestra estadística está distorsionada. Es decir, si la muestra no es representativa.
Cuando obtiene una muestra representativa, hay algunos aspectos que el investigador debe conocer de antemano. Entre estos aspectos están las características de una muestra representativa. Las características de una muestra representativa son las siguientes:
- Dimensiones bastante grandes: cuando trabajamos con las muestras, normalmente trabajamos con una cantidad de datos inferior a la población. Sin embargo, para que una muestra estadística sea representativa, debe ser lo suficientemente grande como para considerarse representativo. Por ejemplo, si nuestra población está compuesta por 10 millones de datos y elegimos 10, es poco probable que sea representativo. Por supuesto, cuanto más amplia es la muestra ya no es cada vez más representativa.
¿Qué es y cómo elegir un muestreo?
Una vez que haya elegido el tamaño de la muestra para su encuesta, deberá definir qué técnica de muestreo utilizará para seleccionar su muestra de la población objetivo. La técnica de muestreo adecuada para usted depende de la naturaleza y los objetivos de su proyecto. Las técnicas de muestreo se pueden dividir ampliamente en dos tipos: muestreo aleatorio y muestreo no aleatorio.
Como su nombre lo indica, el muestreo aleatorio significa literalmente la selección de la muestra al azar de una población, sin ninguna condición específica. Esto se puede hacer seleccionando la muestra de una lista, como un directorio, o físicamente en la ubicación de la encuesta. Si desea asegurarse de que un hogar en particular no se seleccione más de una vez, puede eliminarlo de la lista. Este tipo de muestreo se llama muestreo aleatorio simple sin reemplazo. Si elige no eliminar los hogares duplicados de la lista, haría un muestreo aleatorio simple con reemplazo.
El muestreo sistemático es el método más utilizado de muestreo aleatorio, por el cual divide la población total por el tamaño de la muestra y llega a una figura que se convierte en el intervalo de muestreo para la selección. Por ejemplo, si necesita elegir 20 muestras de una población total de 100, su intervalo de muestreo sería de cinco. El muestreo sistemático funciona mejor cuando la población es homogénea, es decir, la mayoría de las personas comparten las mismas características. En nuestro ejemplo, el intervalo de muestreo sería nueve (3200/345 = 9 para un nivel de confianza del 95% y un intervalo de confianza del 5%). Por lo tanto, seleccionaría cada noveno hogar en una ciudad.
Sin embargo, las poblaciones son generalmente mixtas y heterogéneas. Para garantizar la inclusión suficiente de todas las categorías de la población, deberá identificar los diferentes estratos o características y su representación real (es decir, proporción) en la población. En tales casos, puede usar la técnica de muestreo aleatorio estratificada, por lo que primero calcula la proporción de cada estrato dentro de la población y luego selecciona la muestra en la misma proporción, aleatoria o sistemáticamente, de todos los estratos.
Si tomamos nuestro ejemplo anterior de cinco ciudades, para calcular una muestra aleatoria estratificada, deberá calcular la proporción de cada ciudad dentro del tamaño de la muestra de 345 como se muestra en la Tabla dos a continuación. La columna tres proporciona la proporción de cada ciudad de la población total (3.200). En la columna cuatro, el tamaño de la muestra (345) se divide proporcionalmente en las cinco ciudades. Por ejemplo, Town Three, que es el 25% de la población total, seleccionará 86 hogares con un intervalo de muestreo de nueve (es decir, 800/86) de la misma manera que se hizo para un muestreo sistemático.
¿Qué ventajas y desventajas tiene realizar muestreos no probabilísticos?
- La mayor desventaja sería la presencia de sesgo de muestreo, ya que el método de selección de muestra brinda una ventaja injusta para ciertos miembros de una población.
- Los resultados del muestreo no probabilidad no se amplían fácilmente y se utilizan para hacer generalizaciones sobre la población más amplia.
- En algunos métodos, como el muestreo voluntario o de conveniencia, las muestras pueden estar llenas de personas que tienen más probabilidades de aceptar querer ser parte de la investigación porque tienen vistas sólidas que quieren compartir. Esto puede sesgar la validez de los resultados.
- A medida que elige los criterios de selección deliberados para usar para evaluar la idoneidad de los participantes para una muestra, esto puede dar lugar al investigador o un sesgo de selección. Sus puntos de vista y opiniones podrían influir en la muestra, lo que a su vez afecta los hallazgos de la investigación.
- La muestra puede estar sujeta a controles previos a la selección u otros obstáculos que dificultan que algunos participantes seleccionados ingresen a la muestra misma. Esto agrega además capas complicadas que podrían excluir a los candidatos adecuados de terminar en la muestra.
- Dado que no hay forma de medir los límites de una población relevante para la investigación, el tamaño de la muestra tampoco está claro. Puede encontrar que necesita más participantes o menos en una etapa posterior, lo que podría perder tiempo y dinero.
Existen cuatro tipos de técnicas de muestreo no probabilidad: conveniencia, cuota, bola de nieve y propósito: cada uno de estos métodos de muestreo tiene sus propios subtipos que proporcionan diferentes métodos de análisis:
El muestreo de conveniencia es un tipo común de muestreo no probabilidad donde elige a los participantes para una muestra, en función de su conveniencia y disponibilidad.
Artículos Relacionados:
- Las ventajas del muestreo estadístico en la toma de decisiones empresariales
- Ventajas y desventajas del muestreo: ¿qué método de muestreo es el mejor para tu encuesta?
- Ventajas del muestreo probabilistico: más eficiencia, mejor precisión y menos sesgo
- Ventajas y desventajas del muestreo estratificado: ¿Qué método de muestreo es mejor para tu proyecto de investigación?
