Uno de los componentes principales de un estudio bien diseñado es definir la muestra y qué es una muestra representativa. Es como el ejemplo del pastel. Después de todo, ¿no es necesario comerse todo el postre para comprender su sabor? Una pequeña parte es suficiente.
Entonces el pastel es población (es decir, todos los encuestados que son elegibles para la encuesta). Puede expresarse geográficamente, por ejemplo, solo por los residentes de la región de Moscú. Género: solo mujeres. O tener restricciones de edad: rusos mayores de 65 años.
Calcular la población es difícil: es necesario disponer de datos del censo de población o de encuestas de evaluación preliminar. Por lo tanto, normalmente se “estima” la población general y a partir del número resultante se calcula población de muestra o muestra.
¿Qué es una muestra representativa?
Muestra– se trata de un número claramente definido de encuestados. Su estructura debe coincidir lo más posible con la estructura de la población general en cuanto a las principales características de selección.
Por ejemplo, si los encuestados potenciales son toda la población de Rusia, donde el 54% son mujeres y el 46% son hombres, entonces la muestra debe contener exactamente el mismo porcentaje. Si los parámetros coinciden, entonces la muestra puede considerarse representativa. Esto significa que las imprecisiones y errores en el estudio se reducen al mínimo.
El tamaño de la muestra se determina teniendo en cuenta los requisitos de precisión y economía. Estos requisitos son inversamente proporcionales entre sí: cuanto mayor sea el tamaño de la muestra, más preciso será el resultado. Además, cuanto mayor sea la precisión, mayores serán los costes necesarios para realizar el estudio. Y viceversa, cuanto más pequeña es la muestra, menos cuesta y con menos precisión y más aleatoriamente se reproducen las propiedades de la población general.
Por lo tanto, para calcular el volumen de elección, los sociólogos inventaron una fórmula y crearon calculadora especial:
probabilidad de confianza Y error de confianza
¿Qué significan los términos? probabilidad de confianza" Y " error de confianza"? La probabilidad de confianza es un indicador de la precisión de la medición. Y el error de confianza es un posible error en los resultados de la investigación. Por ejemplo, con una población de más de 500.000 personas (digamos que viven en Novokuznetsk), la muestra será de 384 personas con una probabilidad de confianza del 95% y un error del 5% O (con un intervalo de confianza de 95±5 %).
¿Qué se sigue de esto? Al realizar 100 estudios con una muestra de este tipo (384 personas), en el 95 por ciento de los casos las respuestas obtenidas, según las leyes de la estadística, estarán dentro del ±5% de la original. Y recibiremos una muestra representativa con una mínima probabilidad de error estadístico.
Una vez calculado el tamaño de la muestra, puede ver si hay un número suficiente de encuestados en la versión de demostración del Panel de cuestionarios. Puede obtener más información sobre cómo realizar una encuesta de panel.
Representatividad de la muestra
| Nombre del parámetro | Significado |
| Tema del artículo: | Representatividad de la muestra |
| Rúbrica (categoría temática) | Psicología |
Requisitos de muestreo
Se aplican a la muestra una serie de requisitos obligatorios, determinados, en primer lugar, por las metas y objetivos del estudio. La planificación de un experimento debe incluir la consideración tanto del tamaño de la muestra como de varias de sus características. Por tanto, en la investigación psicológica el requisito es importante. uniformidad muestras. Esto significa que un psicólogo que estudia, por ejemplo, adolescentes, no puede incluir adultos en la misma muestra. Por el contrario, un estudio realizado mediante el método de secciones de edad supone fundamentalmente la presencia de sujetos de diferentes edades. Al mismo tiempo, en este caso se debe observar la homogeneidad de la muestra, pero según otros criterios, principalmente como la edad y el sexo. La base para formar una muestra homogénea pueden ser diversas características, como nivel de inteligencia, nacionalidad, ausencia de determinadas enfermedades, etc., en función de los objetivos del estudio.
En estadística general existe un concepto. repetido Y no repetitivo muestras, o lo que es lo mismo, muestras con y sin devolución. Como ejemplo, por regla general, se da la elección de una bola extraída de un recipiente. En el caso del muestreo de retorno, cada bola seleccionada se devuelve al contenedor y por lo tanto debe ser seleccionada nuevamente. En caso de selección no repetitiva, la bola una vez seleccionada se deja a un lado y ya no puede participar en la selección. En la investigación psicológica se pueden encontrar análogos de este tipo de métodos de organización de un estudio muestral, ya que un psicólogo a menudo tiene que evaluar a los mismos sujetos varias veces utilizando la misma técnica. Además, en sentido estricto, en este caso se repite el procedimiento de prueba. Una muestra de sujetos con completa identidad de composición en el caso de estudios repetidos siempre tendrá algunas diferencias debido a la variabilidad funcional y relacionada con la edad inherente a todas las personas. Debido a la naturaleza del procedimiento, dicha muestra se repite, aunque el significado del término aquí es obviamente diferente que en el caso de las bolas.
Es importante enfatizar que todos los requisitos para cualquier muestra se reducen al hecho de que, a partir de ella, el psicólogo debe obtener la información más completa y sin distorsiones sobre las características de la población general de la que se tomó esta muestra. En otras palabras, la muestra debe reflejar lo más completamente posible las características de la población que se estudia.
La composición de la muestra experimental debe representar (modelar) a la población general, ya que se espera que las conclusiones obtenidas en el experimento se transfieran posteriormente a toda la población. Por este motivo, la muestra debe tener una calidad especial: representatividad, permitiendo que las conclusiones obtenidas del mismo sean extensibles a toda la población.
La representatividad de la muestra es muy importante, sin embargo, por razones objetivas es extremadamente difícil de mantener. Por lo tanto, es un hecho bien conocido que del 70% al 90% de todos los estudios psicológicos del comportamiento humano se llevaron a cabo en los Estados Unidos en los años 60 del siglo XX con estudiantes universitarios, la mayoría de ellos estudiantes de psicología. En las investigaciones de laboratorio realizadas con animales, el tema de estudio más común son las ratas. Por esta razón, no es casualidad que antes se llamara a la psicología “la ciencia de los estudiantes de segundo año y de las ratas blancas”. Los estudiantes universitarios de psicología representan sólo el 3% de la población total de Estados Unidos. Es obvio que la muestra de estudiantes no es representativa como un modelo que pretende representar a toda la población del país.
Representante muestreo, o, como también dicen, representante Una muestra es una muestra en la que todas las características principales de la población general se presentan aproximadamente en la misma proporción y con la misma frecuencia con la que una característica determinada aparece en una población general determinada. En otras palabras, una muestra representativa es un modelo más pequeño pero preciso de la población que pretende reflejar. En la medida en que la muestra sea representativa, se puede suponer razonablemente que las conclusiones basadas en el estudio de esa muestra se aplican a toda la población. Esta distribución de resultados suele denominarse generalizabilidad.
Lo ideal es que una muestra representativa sea tal que cada una de las características básicas, rasgos, rasgos de personalidad, etc. estudiados por un psicólogo. estarían representados en él en proporción a los mismos rasgos en la población general. De acuerdo con estos requisitos, el procedimiento de muestreo debe tener una lógica interna que pueda convencer al investigador de que, en comparación con la población general, será efectivamente representativo.
En su actividad específica, el psicólogo actúa de la siguiente manera: establece un subgrupo (muestra) dentro de la población general, estudia esta muestra en detalle (realiza trabajos experimentales con ella) y luego, si los resultados del análisis estadístico lo permiten, amplía los hallazgos. a toda la población en general. Estas son las principales etapas del trabajo de un psicólogo con una muestra.
El aspirante a psicólogo debe tener presente un error que se repite con frecuencia: cada vez que recopila datos mediante cualquier método y de cualquier fuente, siempre se siente tentado a generalizar sus conclusiones a toda la población. Para evitar tal error, no sólo es necesario tener sentido común, sino, sobre todo, dominar los conceptos básicos de la estadística matemática.
Representatividad de la muestra: concepto y tipos. Clasificación y características de la categoría "Representatividad de la muestra" 2017, 2018.
La propiedad del muestreo, por la cual los resultados de un estudio muestral permiten sacar conclusiones sobre la población general y el objeto empírico en su conjunto, se denomina representatividad.
Representatividad (representatividad) de la muestra. Es la capacidad de una muestra para reproducir ciertas características de la población dentro de errores aceptables. Una muestra se llama representativa si el resultado de medir un determinado parámetro para una muestra determinada coincide, teniendo en cuenta el error permitido, con el resultado conocido de medir la población general. Si la medición de una muestra se desvía de un parámetro poblacional conocido en más de un nivel de error seleccionado, entonces la muestra se considera no representativa.
La definición propuesta establece en primer lugar relación entre muestra y población investigación. Es la población general la que está representada por la muestra, y sólo la población general puede extenderse a las tendencias identificadas en el estudio de la muestra. Ahora debería quedar claro por qué anteriormente se prestaba tanta atención a los problemas de definir correctamente la población y describirla en la documentación y las publicaciones de investigación. La muestra no puede representar una población distinta de aquella de la que realmente se seleccionaron las unidades de medida. Si el investigador se equivoca acerca de los límites reales de la población, sus conclusiones serán incorrectas. Si, por error o intencionadamente, amplía o distorsiona los límites de la población en materiales, publicaciones o presentaciones basadas en los resultados del estudio, esto induce a error a los usuarios y puede considerarse una falsificación de resultados.
La prueba de representatividad se realiza comparando parámetros individuales de la muestra y la población general. Un error común es creer que “en absoluto” existen muestras representativas.
La representatividad o no representatividad de una muestra puede determinarse únicamente en relación con variables individuales. Además, la misma muestra puede ser representativa en algunos aspectos y no representativa en otros.
Como regla general, en el discurso profesional de los sociólogos, la representatividad se presenta como una propiedad dicotómica: una muestra es representativa o no. Pero éste no es un enfoque completamente correcto. En realidad, una muestra puede reproducir algunos parámetros de la población con mayor precisión y otros con menor precisión. Por tanto, es más correcto (aunque desde un punto de vista práctico y menos conveniente) hablar de grado de representatividad muestra específica según parámetros específicos.
Al igual que ocurre con la muestra en su conjunto, la clave para determinar la representatividad de una muestra es justificar el margen de error dentro del cual la muestra se considera representativa a los efectos del estudio. También es posible lo contrario: corregir el tamaño de los errores fácticos y afirmar que la muestra representa a la población general con ciertos errores. Una vez más, la naturaleza del uso de los resultados de la investigación juega un papel clave en esto. En consecuencia, la misma muestra puede considerarse suficientemente representativa para algunos propósitos (por ejemplo, para predecir la participación electoral en las próximas elecciones), pero no lo suficientemente representativa para otros (por ejemplo, para determinar las calificaciones de los candidatos y predecir los resultados de la votación).
¿Qué parámetros se deben utilizar para comprobar la representatividad de la muestra? En primer lugar, existen pocos parámetros de este tipo en la mayoría de las situaciones de investigación. Después de todo, es posible comparar los resultados de una medición de una muestra con datos de la población general sólo si estos últimos están disponibles. Y la investigación se lleva a cabo porque simplemente no hay suficientes datos de ese tipo. Por lo tanto, incluso en la etapa de modelado de objetos y posterior desarrollo de herramientas, es aconsejable prever la medición de uno o más parámetros de control para los cuales se dispone de datos que caractericen a la población general. Esto proporcionará la base empírica necesaria para probar la representatividad.
En segundo lugar, conviene esforzarse por comprobar la representatividad de la muestra según parámetros que sean significativos para el área temática del estudio. En la práctica moderna, se ha generalizado el control de la representatividad mediante parámetros demográficos básicos: género, edad, educación, etc. Estos datos, por regla general, están disponibles para cualquier objeto territorial, ya que se registran durante los censos de población y posteriormente se recalculan mediante estadísticas. instituciones que utilizan modelos matemáticos bien fundamentados. Por este motivo, la inclusión obligatoria de varias variables demográficas en la ficha técnica se ha convertido en una norma profesional generalmente aceptada. Sin embargo, tal práctica puede calificarse de ingenua y estar sujeta a críticas justificadas. El hecho es que los parámetros demográficos básicos que están públicamente disponibles para su comparación no siempre desempeñan el papel de factores estructurantes en relación con los temas de la investigación sociológica. Su naturaleza en sí misma no es social y su influencia sobre los objetos de investigación es a menudo bastante indirecta. Por lo tanto, las muestras demográficamente representativas pueden en realidad ocultar problemas importantes en forma de errores del sistema y sesgos incontrolados. Por el contrario, la representatividad demográfica de muestras efectivas desde el punto de vista de las metas y objetivos del estudio puede resultar baja.
Aquí hay un ejemplo interesante de la práctica. En 2009, una de las empresas de investigación que trabajan en los Urales llevó a cabo un estudio en la ciudad de Kizel, en el territorio de Perm. Durante el trabajo de campo, los investigadores encontraron serios obstáculos para reclutar la muestra prevista en el plan de investigación: la falta de un número suficiente de encuestados disponibles y el empeoramiento de las condiciones climáticas. Al parecer, la empresa de investigación no estaba totalmente preparada para realizar trabajos en un proyecto de tan gran escala. Sus instalaciones de producción trabajaron a su máxima capacidad para garantizar que en una semana se encuestara a 6.000 personas en un área bastante grande. Como resultado, la muestra real en muchos sitios de encuesta estaba, según admitieron los propios investigadores, compuesta por todas las personas que podían ser reclutadas para participar en el estudio. Las cuotas demográficas establecidas por los términos de referencia fueron violadas en la mayoría de las áreas de la encuesta. En algunas zonas, la distorsión en las proporciones de la muestra en relación con el objetivo de cuotas alcanzó 2,5 veces para determinadas categorías de la población, lo que en realidad pone en duda el hecho mismo de utilizar el muestreo por cuotas. Parecía que el cliente del estudio tenía todos los motivos para presentar reclamaciones razonables contra los investigadores.
Sin embargo, un examen realizado por encargo del tribunal de arbitraje concluyó que tales distorsiones significativas de las cuotas y, en consecuencia, la evidente falta de representatividad de la muestra resultante en términos de parámetros demográficos básicos, ¡prácticamente no condujeron a una distorsión de los datos de la investigación! Al volver a pesar la matriz de datos, los expertos obtuvieron el efecto de una muestra representativa basada en parámetros controlados. Casi todas las distribuciones de frecuencia de los datos probados por los expertos mostraron diferencias estadísticamente insignificantes entre los resultados del procesamiento de las matrices reales y reponderadas. De facto, esto significa que, a pesar de las graves violaciones de la tecnología de encuestas y el desprecio práctico por las asignaciones de cuotas, los investigadores proporcionaron al cliente los mismos datos con los que podría haber contado si se hubieran seguido plenamente los procedimientos de muestreo y se hubiera garantizado la representatividad demográfica.
¿Cómo pudo pasar esto? La respuesta es simple: los parámetros demográficos utilizados para controlar la representatividad prácticamente no tuvieron influencia (y esto fue confirmado mediante análisis de correlación) en las variables temáticas del estudio: la evaluación de la población de la situación socioeconómica y los parámetros de su situación sociopolítica. actividad. Además, el tamaño de la muestra fue muy grande en relación con la población general (de hecho, el estudio abarcó una cuarta parte de la población adulta del término municipal), lo que, como resultado de la ley de los grandes números, propició la estabilización de las distribuciones observadas mucho antes de que se entrevistara al número requerido de encuestados.
La implicación práctica de esta advertencia es que los esfuerzos y los recursos deben dirigirse a garantizar y controlar la representatividad de aquellos parámetros de muestreo que el investigador espera que tengan un impacto significativo en el tema del estudio. Esto significa que los parámetros para controlar la representatividad deben seleccionarse específicamente para cada proyecto de investigación, de acuerdo con sus especificidades temáticas. Por ejemplo, las evaluaciones del estatus socioeconómico siempre están fuertemente relacionadas con el bienestar real de la familia del encuestado, su posición en el mercado laboral y en el ámbito empresarial. Por tanto, es aconsejable utilizar estos parámetros para controlar la representatividad. Otra cosa es que puede resultar difícil obtener datos objetivos que caractericen a la población general. Esto requiere creatividad y tal vez compromiso. Por ejemplo, el nivel de bienestar puede controlarse mediante la presencia de un automóvil en la familia del encuestado, porque es posible que se disponga de estadísticas sobre los automóviles matriculados en la región.
Curiosamente, los informes y publicaciones de investigación casi siempre se refieren a muestras representativas. ¿Son realmente tan raras las muestras no representativas? Por supuesto que no. Hay bastantes muestras que resultan problemáticas en términos de representatividad en ciertos parámetros en la práctica de la investigación. Más bien, hay incluso más que muestras, cuya representatividad puede evaluarse no formalmente (mediante parámetros demográficos), sino esencialmente. Sin embargo, su mención pública en los círculos sociológicos profesionales es, lamentablemente, un tabú. Y ninguno de los investigadores está dispuesto a admitir que la representatividad de su muestra en términos de parámetros esenciales para el área temática de medición sea problemática o no verificable.
De hecho, descubrir señales de que la muestra no es representativa no es un desastre. En primer lugar, las tecnologías existentes para “reparar” (volver a pesar) la muestra permiten en muchos casos eliminar por completo el efecto de la falta de representatividad respecto del parámetro que preocupa al sociólogo o a su cliente. La esencia del método de reponderación es asignar ciertas categorías de observaciones (en el caso de una encuesta, encuestados) coeficientes de ponderación, compensando la representación real insuficiente o excesiva de estas categorías en la muestra. Posteriormente, estos pesos se tienen en cuenta al realizar todas las operaciones de cálculo con la matriz de datos, lo que permite obtener distribuciones que corresponden completamente a una matriz de datos equilibrada (correspondiente a las cuotas de cálculo). Los programas estadísticos modernos, como BRvv, permiten realizar cálculos teniendo en cuenta coeficientes de ponderación en modo automático, lo que hace que este procedimiento sea bastante fácil de realizar.
En segundo lugar, incluso si no es posible obtener una muestra representativa “buena”, una representatividad “moderada” puede ser suficiente para resolver muchos problemas de investigación. Recordemos que la representatividad es una medida de ajuste más que un marcador dicotómico. Y sólo ciertas tareas de investigación, principalmente relacionadas con la predicción precisa de ciertos eventos, requieren una representatividad de las muestras verdaderamente alta (estadísticamente probada).
Por ejemplo, para predecir la participación de mercado de un nuevo producto en una investigación de mercados, se requiere una muestra que cubra y represente a los clientes potenciales. Sin embargo, la mayoría de las veces los especialistas en marketing no tienen datos suficientes sobre quiénes componen realmente su círculo de clientes, especialmente los potenciales. En esta situación, generalmente es imposible comprobar la representatividad de la muestra; después de todo, no se sabe qué parámetros debe reproducir. Sin embargo, muchas tareas de marketing se resuelven con éxito, ya que no se necesitan muestras estadísticamente representativas para identificar las preferencias de los clientes, las reacciones a los materiales publicitarios y analizar las reseñas de un nuevo producto; basta con garantizar la cobertura de una clientela típica, que es fácil de encontrar. directamente en las tiendas. Las muestras no representativas son muy adecuadas para resolver problemas de búsqueda, identificar tendencias fuertes, analizar los detalles de categorías individuales (representadas por pequeñas submuestras independientes), comparar dichas categorías entre sí (análisis bivariado), analizar las relaciones entre variables y otras tareas en las que la precisión de las distribuciones estadísticas obtenidas es de importancia secundaria.
4.1 Qué dice la norma
La sección 8 de ISO 9001:2000 cubre "medición, análisis y mejora". Aunque el muestreo no está cubierto por esta norma, la cláusula 8.1, que es una introducción general a toda la sección de medición, establece que las actividades de medición, análisis y mejora (deben incluir la identificación de los métodos aplicables, incluidos los métodos estadísticos) y el alcance de su aplicación. ). Sólo se puede lograr una medición precisa de la satisfacción del cliente cuando se basa en una buena muestra de clientes. Este capítulo proporciona una descripción general de los métodos de muestreo utilizados para lograr este objetivo.
4.2 Teoría del muestreo
El principio de muestreo es simple. La mayoría de las organizaciones tienen una gran cantidad de clientes, pero para obtener resultados precisos del IEP no es necesario realizar una investigación con todos, basta con hacerlo con una muestra pequeña, siempre que esta muestra represente a un grupo grande de personas. Hay varios tipos diferentes de muestreo, que se muestran en la Figura 4.1.
Arroz. 4.1 Posibles muestras
4.2.1 Muestreo probabilístico y no probabilístico
La diferencia fundamental entre muestras es si son muestras probabilísticas o no probabilísticas. El muestreo probabilístico también suele denominarse muestreo aleatorio, y sólo con muestras aleatorias o probabilísticas se puede estar seguro de que están libres de sesgos. Por definición, todos los miembros de la población de una muestra aleatoria tienen las mismas posibilidades de estar representados en ella, y el ejemplo más obvio de muestra aleatoria es la lotería ordinaria. Todas las bolas o números que quedan en el sorteo tienen las mismas posibilidades de ser sorteados la próxima vez. Está claro que ninguna tendencia influye en la elección de los números de la lotería.
4.2.2 Muestras no probabilísticas
4.2.2.1 Muestras no representativas
La forma más simple de muestreo es el muestreo no representativo. Imagine que está realizando una encuesta de opinión pública. Podrías salir a la calle y preguntar a las primeras 50 personas que encuentres qué tan satisfechas están con las acciones del gobierno. Será rápido, sencillo y barato, pero no muy representativo. Esto puede parecer trivial, pero en casos claramente más complejos, como veremos más adelante, es muy fácil caer en una muestra no representativa.
4.2.2.2 Muestreo intencionado
Otra forma de muestreo no probabilístico es el muestreo intencional. Esta es la misma forma que hemos propuesto para la investigación exploratoria, y aunque el muestreo intencional es bueno para la investigación cualitativa que no tiene como objetivo lograr buenas estadísticas, no es adecuado para la investigación básica ni para cualquier otra investigación que tenga como objetivo obtener resultados estadísticamente confiables. resultado. .
4.2.2.3 Muestreo basado en cuotas
El tercer tipo de muestreo no probabilístico es el muestreo por cuotas y suele utilizarse para estudiar poblaciones grandes. Imaginemos que un ayuntamiento quiere medir el nivel de satisfacción de la población con los servicios e instalaciones que el ayuntamiento les proporciona. Suponga que decide entrevistar a miembros de una muestra de cuota de 500 personas que viven en la calle de la ciudad. Podrías asignar cinco entrevistadores, cada uno con la tarea de entrevistar a 100 personas en una zona comercial principal. Sin embargo, a los entrevistadores no se les permite utilizar un muestreo no representativo, es decir, Entreviste a las primeras 100 personas que conozca. El muestreo por cuotas requiere que cada entrevistador cumpla con muchas normas cuidadosamente definidas para garantizar que la muestra sea representativa de la población local. Las normas podrán basarse en estadísticas de que disponga el consejo municipal que muestren los grupos en que se divide la población. Así, por ejemplo, estos datos pueden indicar que el 15% de la población tiene entre 21 y 30 años, el 18% entre 31 y 40 años, etc. La división también puede basarse en otras características, por ejemplo, por género. , nivel de ingresos , origen étnico. Si el consejo quiere que la muestra sea representativa, debe incluir a todos estos grupos en la misma proporción en que están representados en toda la población. Para lograrlo, los entrevistadores deben definir grupos y cuotas para ellos. En el ejemplo dado, 15 de cada 100 personas entrevistadas deberían tener entre 21 y 30 años, 18 deberían tener entre 31 y 40 años, y esto debería combinarse con cuotas para otros grupos impuestas por género, ingresos, etc. .
Supongamos que los entrevistadores trabajaron toda la semana, de lunes a viernes, de 9 a. m. a 5 p. m. todos los días, entrevistando en una galería comercial, de modo que al final de la semana cada uno de ellos había completado 100 entrevistas cumpliendo con todos los estándares. El resultado será una muestra de tamaño 500, que será totalmente representativa de la población de la ciudad, pero no será seleccionada al azar, por lo que no estará libre de tendencia. Según la definición de muestreo aleatorio, todos los residentes de una ciudad deberían tener las mismas posibilidades de estar representados en la muestra. En el ejemplo citado, sólo tuvieron esa oportunidad aquellas personas que visitaron la galería comercial en estos días de la semana de 9 a 17 horas. Por lo tanto, la muestra estará inevitablemente sesgada, tal vez hacia las personas mayores, los desempleados y las personas que trabajan cerca. En realidad, por supuesto, los investigadores intentan minimizar las tendencias inherentes al muestreo por cuotas entrevistando en diferentes lugares y en diferentes momentos, pero nunca pueden deshacerse por completo de ello, ya que la muestra sólo puede representar a aquellas personas que en un momento dado terminó en un lugar determinado, por lo que, en teoría, dicha muestra nunca será aleatoria, completamente libre de tendencias.
Esto no significa que nunca deba utilizarse el muestreo por cuotas. Si no conoce a las personas que son sus clientes, no puede extraer una muestra aleatoria porque no hay forma de enumerar la población completa de la cual extraerla. Por ejemplo, muchos minoristas no saben quiénes son sus clientes. En tales situaciones, las organizaciones recurren al muestreo por cuotas.
4.2.3 Muestras probabilísticas
Si tiene una base de datos de sus clientes, puede y debe extraer una muestra aleatoria, y el primer paso es determinar la base de la muestra. El núcleo es la lista de consumidores de los que se va a tomar una muestra, y definir esta lista es una decisión estratégica. Las organizaciones suelen medir la satisfacción del cliente una vez al año y el marco muestral está formado por aquellos clientes que han tratado con la organización en los últimos doce meses. Sin embargo, esto puede no ser aceptable para todos. Por ejemplo, cuando se estudia la satisfacción del cliente con el sistema de ayuda de una tecnología de la información, no es muy eficaz hacer preguntas sobre la experiencia en el uso de ese sistema durante los últimos 11 meses. En este caso, es mejor utilizar un período de tiempo más corto, por ejemplo, contando a todos los consumidores que utilizaron el sistema de ayuda en el último mes. Esto puede requerir un seguimiento continuo, en el que se realiza una encuesta a los consumidores cada mes y los resultados se acumulan para producir un informe periódico, por ejemplo trimestral o incluso anual si el número de consumidores durante el trimestre es pequeño.
Así, puedes ver que los "clientes" que estudias pueden ser diferentes para diferentes organizaciones, y su definición es una decisión estratégica y debes definirlos claramente, ya que estos serán los consumidores que formarán la base del estudio, es decir, los muestras de población.
4.2.3.1 Muestreo aleatorio simple
Una muestra probabilística o aleatoria no tiene tendencia porque todos los miembros de la población tendrán las mismas posibilidades de ser incluidos en la muestra. Como se indicó anteriormente, la lotería proporciona un buen ejemplo de muestreo aleatorio simple: cada vez que se selecciona un nuevo número, se selecciona al azar entre todos los que quedan en la "población". Sin embargo, este es un proceso bastante largo si se necesita una muestra grande de una población grande, por lo que en los días anteriores a que se utilizaran las computadoras para obtener muestras complejas, los investigadores de mercado inventaron una forma menos laboriosa de obtener una muestra aleatoria simple, conocida como muestreo aleatorio sistemático.
4.2.3.2 Muestreo aleatorio sistemático
Para obtener una muestra aleatoria sistemática para realizar un IEP, primero imprima una lista de sus consumidores. Digamos que hay 1000 consumidores y desea tomar una muestra de 100, que es 1 de cada 10 personas de la población. Primero necesitas usar un generador de números aleatorios para obtener un número del 1 al 10. Si obtienes 7, entonces incluyes en tu lista el séptimo nombre de la lista, el 17, el 27, etc., lo que resultará en un sistema sistemático. Muestra aleatoria de 100 consumidores. Antes de recibir un número aleatorio, todos los consumidores tienen las mismas posibilidades de ser incluidos en la lista. Por lo tanto, será una muestra aleatoria, pero puede no ser representativa, especialmente en el mercado empresarial. En este caso, es bueno utilizar un muestreo aleatorio estratificado.
Arroz. 4.2 Ejemplo de muestreo aleatorio estratificado
4.3 Muestreo de consumidores
Mostraremos con un ejemplo cómo se podría realizar el muestreo para un caso típico de un mercado de empresa a empresa. El primer paso para este mercado empresarial es crear una base de datos de clientes y ordenarla por valor para el cliente, comenzando por el más alto y bajando hasta el más bajo. Luego, normalmente se divide la lista resultante en tres partes: segmentos con valor para el cliente alto, medio y bajo, respectivamente. Finalmente, determine el tamaño de la muestra en cada segmento. Los resultados de este proceso se resumen en la Fig. 4.2.
4.2.3.3 Muestreo aleatorio estratificado
A menudo, en los mercados empresariales, algunos clientes son mucho más valiosos que otros. A veces una parte muy grande de las actividades de una empresa, como el 40 o el 50%, está asociada a los primeros cinco o seis clientes. Si se utiliza un muestreo aleatorio simple o sistemático, es probable que ninguno de estos cinco o seis consumidores sea incluido en la muestra. Está claro que no tiene sentido realizar una encuesta para medir la satisfacción del cliente si se ignora por completo el 40 o el 50% de las actividades globales de la empresa. En un mercado empresarial donde la mayoría de las empresas tienen un pequeño número de clientes de alto valor y un mayor número de clientes de bajo valor, una muestra aleatoria simple o sistemática estará inevitablemente dominada por clientes de bajo valor. El muestreo aleatorio estratificado se utiliza para obtener una muestra que sea representativa y libre de tendencias. Obtener una muestra aleatoria estratificada implica primero dividir a los consumidores en segmentos o tipos y luego seleccionar una muestra aleatoria dentro de cada segmento. La muestra que se muestra en la Figura 4.2 será representativa de la base de consumidores según la contribución empresarial que realiza cada segmento de consumidores. En los mercados de consumo, la segmentación puede ser diferente, como por edad o género.
4.3.1 Muestra de muestra
En el ejemplo mostrado, la empresa obtiene el 40% de su facturación de clientes de alto valor. El principio fundamental del muestreo en un mercado empresarial es que si un segmento de clientes de alto valor representa el 40% de la facturación (o beneficio), debería representar el 40% de la muestra. Si una empresa decide estudiar una muestra de 200 encuestados, el 40% de la muestra, es decir, 80 encuestados, debería ser de clientes de alto valor. Dado que hay 40 consumidores de alto valor, la proporción de muestreo será 2:1, lo que significa que de cada consumidor se seleccionan 2 encuestados en el segmento de alto valor. En los mercados empresariales, es una práctica común seleccionar a más de un encuestado entre grandes consumidores al realizar una investigación.
Los clientes de valor medio también suponen el 40% de la facturación, por lo que también deberían representar el 40% de la muestra. Esto significa que la empresa debe seleccionar 80 encuestados entre sus clientes de valor promedio. Dado que hay 160 de estos consumidores, la proporción de la muestra será de 1:2, es decir, un encuestado por cada dos consumidores de valor promedio. Esto requiere una muestra aleatoria de un representante de cada dos consumidores. Esto se puede hacer fácilmente utilizando el procedimiento de muestreo aleatorio sistemático descrito anteriormente. Primero, se genera uno de dos números aleatorios: 1 o 2. Sea 2. En este caso, selecciona el 2.º, 4.º, 6.º, etc. valor medio consumidor.
Finalmente, el 20% de la facturación de la empresa proviene de clientes de bajo valor, por lo que deberían constituir el 20% de la muestra, es decir, 40 encuestados en el ejemplo dado. Allí se encuentran en total 400 consumidores de bajo valor, lo que corresponde a una proporción seleccionada de 1:10. Esto se puede hacer utilizando el mismo procedimiento de muestreo aleatorio sistemático. Al final del proceso, la empresa recibirá una muestra aleatoria tipificada de consumidores que será representativa de su actividad empresarial y, debido a la selección aleatoria, estará libre de tendencia.
4.3.2 Muestreo de personas de contacto
Aunque el procedimiento anterior produce una muestra aleatoria y representativa de consumidores, después de todo, la investigación no se realiza sobre empresas, sino sobre individuos, por lo que si trabaja en el mercado de empresa a empresa, debe, junto con muestras de consumidores, muestra entre contactos personales. En la práctica, las organizaciones suelen seleccionar personas según su conveniencia: personas con las que tienen más contactos y cuyos nombres tienen a mano. Si se seleccionan personas de acuerdo con este principio, no importa cuán cuidadosamente se lleve a cabo la muestra tipificada de empresas, como resultado se reducirá a una muestra no representativa de personas que alguien conoce. Para evitar esta tendencia, debes seleccionar individuos al azar. La forma de implementar esta selección es crear una lista de personas asociadas con su producto o servicio para cada cliente y luego seleccionar personas de esa lista al azar. Si quieres realizar un trámite más complejo y preciso, deberás dividir la lista de todas las personas en sectores, lo que evitará incluir a demasiados menores. Por ejemplo, está realizando un análisis administrativo y decide que para reflejar con mayor precisión el proceso de toma de decisiones, su muestra debe contener un 40 % de contactos de compras, un 40 % de contactos técnicos y un 20 % de todos los demás contactos. En este caso, se debe extraer una muestra aleatoria de individuos en esta proporción.
4.4 Tamaño de la muestra
Otra cuestión a decidir es la cantidad de consumidores que necesita tener en su muestra. Algunas empresas, principalmente en mercados de empresa a empresa, tienen un número muy pequeño de clientes valiosos. Otras empresas tienen más de un millón de consumidores. En los mercados empresariales, el tamaño de la población corresponde exactamente al número de individuos de cada cliente que influyen en el juicio de satisfacción de ese cliente, y no es necesariamente igual al número de individuos con los que se tiene contacto regular. Normalmente, cuanto mayor sea el valor para el cliente, más personas deberían incluirse. Para un proveedor de software informático, un único cliente puede tener varios cientos de usuarios. Aun así, algunas organizaciones tendrán una población mucho mayor que otras, pero esto no afectará la cantidad de consumidores encuestados que se necesita para proporcionar una muestra confiable.
4.4.1 Confiabilidad de la muestra en relación con el tamaño de la muestra
La precisión estadística de una muestra está relacionada con su tamaño absoluto, independientemente de cuántas personas haya en toda la población. La pregunta de qué proporción de consumidores deberían ser encuestados es engañosa. Una muestra más grande siempre es más confiable que una muestra más pequeña, sin importar el tamaño de la población. Esto se ilustra mejor con la curva de campana (ver Figura 4.3), de la cual podemos concluir que cuando examinamos un conjunto de datos, tiende a seguir una distribución normal. Esto no se aplica sólo a los datos de investigación.
Datos extremos Datos normales Datos extremos
Arroz. 4.3 Curva de campana
Por ejemplo, si registra las precipitaciones de junio en Manchester durante un período de cinco años en los que tres años tuvieron precipitaciones normales en junio, pero dos años de junio fueron extremadamente húmedos, entonces la precipitación promedio estimada estará muy sesgada por estos dos meses inusualmente húmedos. Si los datos se recopilaran durante 100 años, entonces dos meses excepcionalmente húmedos o secos tendrían poco efecto en la precipitación promedio de junio en Manchester. Lo mismo se aplica a la investigación. Si sólo estudias a 10 personas y dos de ellas tienen puntos de vista extremos, sesgarán enormemente el resultado final. Tendrán mucho menos impacto con un tamaño de muestra de 50 y prácticamente ningún impacto con un tamaño de muestra de 500, por lo que cuanto mayor sea el tamaño de la muestra, menor será el riesgo de obtener resultados incorrectos. La figura 4.4 muestra que a medida que aumenta el tamaño de la muestra, también aumenta la confiabilidad de la muestra. Al principio, en tamaños muy pequeños, la confiabilidad aumenta muy rápidamente, pero a medida que aumenta el tamaño de la muestra, el efecto del tamaño de la muestra sobre la confiabilidad de la muestra disminuye. Se puede ver que la curva comienza a aplanarse entre 30 y 50 encuestados, lo que generalmente se considera el umbral entre la investigación cualitativa y cuantitativa. Cuando el tamaño de la muestra llega a 200, el aumento de la confiabilidad a medida que aumenta el número de encuestados es extremadamente pequeño. En consecuencia, se considera que un tamaño de muestra de 200 encuestados es el tamaño de muestra mínimo para garantizar un IEP confiable. Las empresas con una base de consumidores muy pequeña (alrededor de 200 contactos o menos) deberían simplemente investigar a todos los consumidores contactados.
Algunos años puede que no haya llovido en junio (ni siquiera en Manchester), algunos años la intensidad de la lluvia ha sido increíblemente alta, pero en la mayoría de los años las precipitaciones caen en algún punto entre estos dos límites, en la zona "normal". Ya sea que estemos analizando datos de investigaciones o precipitaciones en Manchester, la pregunta clave es: "¿Cuál es el riesgo de obtener datos anormales que distorsionen el resultado?" Cuanto más pequeña sea la muestra, mayor será el riesgo.
4.4.2 Análisis en profundidad
Como se señaló anteriormente, la investigación empresarial generalmente supone que un tamaño de muestra de 200 miembros proporciona la confiabilidad necesaria para una medida general de la satisfacción del cliente, independientemente de si la población es de 500.000 o 600.000. Sin embargo, existe una excepción importante a esto: se produce cuando se tienen diferentes segmentos y se desea realizar un análisis en profundidad de los resultados comparando la satisfacción entre los diferentes segmentos. Si divide una muestra de 200 artículos en muchos segmentos, se enfrentará al problema de un tamaño de muestra pequeño y, por lo tanto, poco confiable en cada segmento. Por lo tanto, generalmente se acepta que el tamaño total mínimo de la muestra es 200 y el mínimo del segmento es 50.
Por todo esto, el tamaño de la muestra total suele estar determinado por cuántos segmentos se desea analizar. Si desea dividir su resultado en seis segmentos, necesitará un tamaño de muestra de al menos 300 miembros, de modo que cada segmento tenga al menos 50 miembros. Esto puede ser importante para empresas con muchas divisiones o mercados. Con base en una cifra de 50 encuestados por segmento, un minorista con 100 tiendas necesitaría una muestra de al menos 5.000 miembros si se quisiera medir la satisfacción del cliente a nivel de tienda. Sin embargo, en nuestra opinión, si se hacen comparaciones entre tiendas y se toman decisiones de gestión basadas en los resultados del estudio, el mínimo absoluto debería ser de 100 consumidores por tienda, o mejor aún, 200. Para un minorista con 100 tiendas, esto resultaría en requerir un tamaño de muestra de 20.000 consumidores para obtener resultados muy confiables a nivel de tienda.
4.4.3 Tamaño de la muestra y tasa de respuesta
Es necesario señalar un factor más. El tamaño de muestra recomendado de 200 encuestados para garantizar una confiabilidad adecuada se refiere a las respuestas, no al número de consumidores seleccionados e invitados. Además, para garantizar la confiabilidad estadística, esto significa que se seleccionaron 200 consumidores y los mismos 200 participantes que respondieron las preguntas de la entrevista o devolvieron los cuestionarios. Si su tasa de respuesta es baja, estadísticamente no es confiable compensarlo simplemente enviando más cuestionarios hasta obtener 200 respuestas. El problema de la tendencia a la falta de respuesta puede ser muy significativo en los estudios del IEP y se analizará con más detalle en el próximo capítulo.
4.5 Conclusiones
(a) ISO 9000:2000 establece que se deben utilizar métodos estadísticos reconocidos para obtener una muestra confiable para mediciones relacionadas con el consumidor.
(b) El muestreo no probabilístico aumenta el riesgo de que una tendencia influya en el resultado y solo debe ser utilizado por organizaciones que no tengan una base de datos de clientes.
(c) Para la mayoría de las organizaciones, la mejor manera de obtener una muestra representativa y libre de sesgos es el muestreo aleatorio basado en cuotas.
(d) El marco muestral debe estar formado por individuos significativos. En los mercados empresariales, puede ser necesario incluir a muchos encuestados (a veces muchos) de grandes clientes.
(e) 200 encuestados constituyen el número mínimo de encuestados requerido para medir de manera confiable la satisfacción del cliente en toda una organización. Este número es independiente del número de consumidores que tengas.
(f) Las organizaciones con menos de 200 clientes o contactos deben realizar investigaciones sobre todos los clientes enumerados.
(g) Si los resultados se van a obtener por segmento, el tamaño mínimo de muestra por segmento es de 50 encuestados. En estos casos, el tamaño mínimo requerido de toda la muestra será igual al número de segmentos multiplicado por 50.
De hecho, comenzamos no con una, sino con tres preguntas: ¿Qué es el muestreo? ¿Cuándo es representativo? ¿Qué es ella?
Un conjunto es cualquier grupo de personas, organizaciones, eventos que nos interesan, sobre los cuales queremos sacar conclusiones, y un caso u objeto es cualquier elemento de dicho conjunto1. Muestra: cualquier subgrupo de una población de casos (objetos) seleccionados para el análisis. Si quisiéramos estudiar la actividad de toma de decisiones de los legisladores estatales, podríamos examinar dicha actividad en las legislaturas estatales de Virginia, Carolina del Norte y Carolina del Sur, en lugar de en los cincuenta estados, y desde allí generalizar los hallazgos a la población de que estos tres estados fueron elegidos. Si quisiéramos examinar el sistema de preferencia de los votantes de Pensilvania, podríamos hacerlo encuestando a 50 trabajadores estadounidenses. S. Steele” en Pittsburgh y extender los resultados de la encuesta a todos los votantes del estado. Del mismo modo, si quisiéramos medir la inteligencia de los estudiantes universitarios, podríamos evaluar a todos los jugadores defensivos matriculados en Ohio State en una temporada de fútbol determinada y luego generalizar los resultados a la población de la que forman parte. En cada ejemplo, procedemos de la siguiente manera: identificamos un subgrupo dentro de la población, estudiamos este subgrupo o muestra con cierto detalle y generalizamos nuestros resultados a toda la población. Estas son las principales etapas del muestreo.
Sin embargo, parece bastante claro que cada una de estas muestras tiene importantes deficiencias. Por ejemplo, aunque las legislaturas de Virginia, Carolina del Norte y Carolina del Sur son parte de un conjunto de legislaturas estatales, es probable que, por razones históricas, geográficas y políticas, funcionen de manera muy similar y muy diferente a las legislaturas de Virginia. estados tan diferentes como Nueva York, Nebraska y Alaska. Aunque cincuenta trabajadores siderúrgicos de Pittsburgh pueden ser votantes en el estado de Pensilvania, ellos, en virtud de su estatus socioeconómico, educación y experiencia de vida, pueden muy bien tener opiniones diferentes de las de muchas otras personas que también son votantes. Del mismo modo, si bien los jugadores de fútbol de Ohio State son estudiantes universitarios, es posible que sean diferentes de otros estudiantes universitarios por diversas razones. Es decir, aunque cada uno de estos subgrupos es en realidad una muestra, los miembros de cada uno son sistemáticamente diferentes de la mayoría de los demás miembros de la población de la que se seleccionan. Como grupo separado, ninguno de ellos es típico en términos de la distribución de atributos de opiniones, motivos de comportamiento y características de la población con la que está asociado. En consecuencia, los politólogos dirían que ninguna de estas muestras es representativa.
Una muestra representativa es una muestra en la que todas las características principales de la población de la que se extrae la muestra están representadas aproximadamente en la misma proporción o con la misma frecuencia con la que aparece una característica determinada en esta población. Por lo tanto, si el 50% de todas las legislaturas estatales se reúne sólo una vez cada dos años, aproximadamente la mitad de la composición de una muestra representativa de legislaturas estatales debería ser de este tipo. Si el 30% de los votantes de Pensilvania son obreros, alrededor del 30% de la muestra representativa de esos votantes (no el 100% como en el ejemplo anterior) debería ser obreros. Y si el 2% de todos los estudiantes universitarios son deportistas, aproximadamente la misma proporción de una muestra representativa de estudiantes universitarios debería ser deportista. En otras palabras, una muestra representativa es un microcosmos, un modelo más pequeño pero preciso de la población que pretende reflejar. En la medida en que la muestra sea representativa, se puede asumir con seguridad que las conclusiones basadas en el estudio de esa muestra se aplican a la población original. Esta dispersión de resultados es lo que llamamos generalizabilidad.
Quizás una ilustración gráfica ayude a explicar esto. Supongamos que queremos estudiar los patrones de pertenencia a grupos políticos entre los adultos estadounidenses.
Arroz. 5.1. Formación de una muestra a partir de la población general.
La figura 5.1 muestra tres círculos divididos en seis sectores iguales. La Figura 5.1a representa toda la población considerada. Los miembros de la población se clasifican según los grupos políticos (como partidos y grupos de interés) a los que pertenecen. En este ejemplo, cada adulto pertenece al menos a uno y no más de seis grupos políticos; y estos seis niveles de membresía están igualmente distribuidos en conjunto (de ahí la igualdad de sectores). Supongamos que queremos estudiar los motivos de las personas para unirse a un grupo, la elección del grupo y los patrones de participación, pero debido a limitaciones de recursos sólo podemos estudiar a uno de cada seis miembros de la población. ¿Quién debe ser seleccionado para el análisis?
Una de las posibles muestras de un volumen dado se ilustra en el área sombreada de la figura 5.1b, pero claramente no refleja la estructura de la población. Si tuviéramos que hacer generalizaciones a partir de esta muestra, concluiríamos: (1) que todos los adultos estadounidenses pertenecen a cinco grupos políticos y (2) que todo el comportamiento grupal de los estadounidenses coincide con el comportamiento de aquellos que pertenecen específicamente a los cinco grupos. Sin embargo, sabemos que la primera conclusión no es cierta, y esto puede hacernos dudar sobre la validez de la segunda. Por lo tanto, la muestra representada en la Figura 5.1b no es representativa porque no refleja la distribución de una propiedad de población dada (a menudo llamada parámetro) de acuerdo con su distribución real. Se dice que dicha muestra está sesgada hacia los miembros de los cinco grupos o sesgada hacia todos los demás patrones de pertenencia al grupo. A partir de una muestra tan sesgada, normalmente llegamos a conclusiones erróneas sobre la población.
Esto puede demostrarse más claramente con el desastre que sufrió la revista Literary Digest en los años 1930, que organizó una encuesta de opinión pública sobre los resultados electorales. Literary Digest era una publicación periódica que reimprimió editoriales de periódicos y otros materiales que reflejaban la opinión pública; esta revista fue muy popular a principios de siglo. A partir de 1920, la revista llevó a cabo una encuesta nacional a gran escala en la que se enviaron papeletas por correo a más de un millón de personas pidiéndoles que indicaran su candidato favorito en las próximas elecciones presidenciales. Durante varios años, los resultados de las encuestas de la revista fueron tan precisos que una encuesta de septiembre pareció hacer irrelevantes las elecciones de noviembre. ¿Y cómo podría ocurrir un error con una muestra tan grande? Sin embargo, en 1936 sucedió exactamente lo mismo: con una gran mayoría de votos (60 a 40), se preveía la victoria del candidato republicano Alf Landon. En las elecciones, Landon perdió ante un hombre discapacitado, Franklin D. Roosevelt, con casi el mismo resultado con el que debería haber ganado. La credibilidad del Literary Digest quedó tan dañada que la revista dejó de imprimirse poco después. ¿Qué pasó? Es muy simple: la encuesta de Digest utilizó una muestra sesgada. Se enviaron postales a personas cuyos nombres se extrajeron de dos fuentes: directorios telefónicos y listas de matrículas de automóviles. Y aunque anteriormente este método de selección no había sido muy diferente de otros métodos, las cosas eran muy diferentes ahora, durante la Gran Depresión de 1936, cuando los votantes menos ricos, los más probables partidarios de Roosevelt, no podían permitirse el lujo de poseer un teléfono, y mucho menos auto. Así, de hecho, la muestra utilizada en la encuesta del Digest estaba sesgada hacia los que tenían más probabilidades de ser republicanos, pero sigue siendo sorprendente que a Roosevelt le fuera tan bien.
¿Cómo solucionar este problema? Volviendo a nuestro ejemplo, comparemos la muestra de la figura 5.1b con la muestra de la figura 5.1c. En este último caso, también se selecciona para el análisis una sexta parte de la población, pero cada uno de los principales tipos de población está representado en la muestra en la proporción en que está representado en la población total. Una muestra de este tipo muestra que uno de cada seis adultos estadounidenses pertenece a un grupo político, uno de cada seis pertenece a dos, y así sucesivamente. Una muestra de este tipo también revelaría otras diferencias entre los miembros que podrían estar correlacionadas con la participación en diferentes números de grupos. Por tanto, la muestra presentada en la figura 5.1c es una muestra representativa de la población considerada.
Por supuesto, este ejemplo se simplifica al menos en dos formas extremadamente importantes. En primer lugar, la mayoría de las poblaciones de interés para los politólogos son más diversas que la ilustrada. Personas, documentos, gobiernos, organizaciones, decisiones, etc. Se diferencian entre sí no por una, sino por un número mucho mayor de características. Por lo tanto, una muestra representativa debe ser tal que cada área importante y distinta esté representada en proporción a su proporción de la población. En segundo lugar, la situación en la que la distribución real de las variables o atributos que queremos medir no se conoce de antemano es mucho más común que lo contrario: es posible que no se haya medido en un censo anterior. Por lo tanto, se debe diseñar una muestra representativa de manera que pueda reflejar con precisión la distribución existente incluso cuando no podamos evaluar directamente su validez. El procedimiento de muestreo debe tener una lógica interna que pueda convencernos de que, si pudiéramos comparar la muestra con el censo, sí sería representativa.
Para tener la capacidad de reflejar con precisión la compleja organización de una población determinada y cierto grado de confianza en que los procedimientos propuestos puedan hacerlo, los investigadores recurren a métodos estadísticos. Al mismo tiempo, actúan en dos direcciones. En primer lugar, utilizando ciertas reglas (lógica interna), los investigadores deciden qué objetos específicos estudiar y qué incluir exactamente en una muestra específica. En segundo lugar, utilizando reglas muy diferentes, deciden cuántos objetos seleccionar. No estudiaremos en detalle estas numerosas reglas; sólo consideraremos su papel en la investigación en ciencias políticas. Comencemos nuestra consideración con estrategias para seleccionar objetos que formen una muestra representativa.
