Introducción al Pensamiento Científico · Unidad 4 — El proceso de investigación social

Población, muestra y técnicas de recolección

Lo que decide si un resultado se puede extender a toda la población no es el tamaño de la muestra sino cómo se eligió. Una muestra chica y al azar vale más que una enorme y sesgada.

Practicar este tema →7 ejercicios que te corrigen paso a paso · gratis, sin cuenta

La explicación

Población, unidad de análisis y muestra

Unidad de análisis: qué o quién se estudia. Puede ser una persona, un hogar, una escuela, una noticia, un país. Definirla mal desordena todo lo que sigue.
Población (o universo): el conjunto completo de unidades sobre el que se quiere concluir.
Muestra: el subconjunto efectivamente relevado.

Muestreo probabilístico

Todas las unidades tienen una probabilidad conocida y distinta de cero de ser elegidas. Es lo que permite calcular el error y generalizar a la población.

Aleatorio simple: sorteo entre todas las unidades.
Sistemático: uno cada k a partir de un arranque al azar.
Estratificado: se divide la población en estratos (por sexo, edad, región) y se sortea dentro de cada uno. Sirve para asegurar representación de grupos chicos.
Por conglomerados: se sortean grupos completos (escuelas, manzanas) y se releva todo el grupo. Más barato, pero con más error.

Muestreo no probabilístico

La selección depende del criterio del investigador. No permite generalizar estadísticamente, y eso no lo vuelve inútil: es apropiado en estudios exploratorios y cualitativos, donde el objetivo no es estimar una proporción sino comprender un fenómeno.

Por conveniencia: los que estaban a mano. El más frecuente y el más riesgoso.
Por cuotas: se fijan cantidades por categoría, pero se elige a criterio dentro de cada una.
Intencional o teórico: casos elegidos por su relevancia para la pregunta.
Bola de nieve: cada entrevistado sugiere al siguiente. Útil para poblaciones difíciles de alcanzar.

El tamaño no es lo que decide

El caso clásico: en 1936 una revista estadounidense predijo la derrota de Roosevelt con 2,4 millones de respuestas, y erró por completo. Gallup acertó con 50 mil. La diferencia no fue el tamaño: la revista había armado su lista con registros de propietarios de autos y suscriptores de teléfono, que en plena depresión eran los sectores más acomodados. Una muestra grande y sesgada es grande y sesgada.

Técnicas cuantitativas y cualitativas

Cuantitativas: encuesta estructurada, análisis de datos secundarios, experimento. Buscan medir, comparar y generalizar. Fuerte en extensión, débil en profundidad.

Cualitativas: entrevista en profundidad, grupo focal, observación participante, análisis de documentos. Buscan comprender sentidos y procesos. Fuerte en profundidad, débil en generalización.

No compiten: responden preguntas distintas. «¿Cuántos?» es cuantitativa; «¿por qué y cómo lo viven?» es cualitativa. Muchos diseños combinan las dos, y el programa lo llama pluralismo metodológico.

Fuentes

Primarias: datos producidos por la propia investigación. Secundarias: datos ya existentes (censos, EPH, registros administrativos). Las secundarias son más baratas y a veces imposibles de igualar, pero fueron construidas con categorías de otro: hay que revisar cómo se definió cada variable antes de usarlas.

Ejemplo resuelto

Un estudio quiere estimar la proporción de estudiantes del CBC que trabajan. Encuesta a 800 estudiantes a la salida de una sede, un martes de 18 a 21. Evaluá el diseño.

1. Qué tipo de muestreo es. No probabilístico, por conveniencia: se encuestó a quienes estaban ahí en ese momento. No todos los estudiantes del CBC tuvieron probabilidad conocida de ser elegidos.

2. El sesgo principal. El horario. Quienes cursan de 18 a 21 son, precisamente, quienes eligieron el turno noche — y una de las razones más frecuentes para elegirlo es trabajar durante el día. La muestra sobrerrepresenta a los que trabajan.

3. Otros sesgos. Una sola sede, de un CBC que tiene varias con perfiles socioeconómicos distintos. Un solo día. Y sólo alcanza a quienes efectivamente asisten: los que abandonaron o cursan a distancia quedan fuera.

4. ¿Los 800 casos compensan? No. Aumentar el tamaño de una muestra sesgada da una estimación más precisa del grupo equivocado. El intervalo de confianza se angosta alrededor de un valor que no es el de la población.

Cómo se corregiría: obtener el listado de estudiantes inscriptos y sortear al azar; o estratificar por sede y turno con cantidades proporcionales a la matrícula real. Con un diseño así, 400 casos bien elegidos valdrían más que estos 800.

Y si no se puede hacer otra cosa: el estudio sigue teniendo valor, pero la conclusión debe acotarse — «entre los estudiantes del turno noche de la sede X relevados el día Y» — y no presentarse como una estimación del CBC.

Dónde se cae la mayoría

Creer que una muestra grande garantiza representatividad.
Generalizar a toda la población desde un muestreo no probabilístico.
Tratar las técnicas cualitativas como «menos rigurosas». Son rigurosas con otros criterios y responden otras preguntas.
Usar datos secundarios sin revisar cómo definieron sus variables.

Hasta acá la explicación. La práctica es la otra mitad: 7 ejercicios de este tema, en cuatro niveles, que no te dicen sólo si está bien al final sino que te corrigen en cada paso y te explican por qué. Además trae una animación que muestra la idea en movimiento.

Practicar Población, muestra y técnicas de recolección →

Ver todos los temas de IPC