primero, revisemos la diferencia entre su población y su muestra, ya que muchos estudiantes a menudo confunden estos Términos. Su muestra es el grupo de individuos que participan en su estudio. Estos son los individuos que proporcionan los datos para su estudio. Su población es el grupo más amplio de personas a las que está tratando de generalizar sus resultados. Así, por ejemplo, si se quiere determinar la relación entre la gratitud y la satisfacción laboral en biólogos de tiburones, la muestra podría consistir en 30-40 biólogos de tiburones individuales., Su población podría ser «biólogos de tiburones en los Estados Unidos», o, si el alcance de su estudio fue más estrecho, «biólogos de tiburones en Florida».»
una muestra representativa es aquella que representa, refleja o «es como» su población. Una muestra representativa debe ser un reflejo imparcial de cómo es la población. Hay muchas maneras de evaluar la representatividad: género, edad, nivel socioeconómico, profesión, educación, enfermedad crónica, incluso personalidad o propiedad de mascotas., Todo depende de qué tan detallado desee obtener, el alcance de su estudio y qué información sobre su población está disponible.
entonces, si la mayoría de los biólogos de tiburones en la población son mujeres, pero su muestra es toda masculina, no tiene un buen caso de representatividad porque su muestra no comparte las mismas características que la población más grande. En este caso, no puede generalizar los resultados de su estudio a la población (es decir, hacer una declaración más amplia sobre los biólogos de tiburones basada en sus resultados), porque su muestra tiene evidencia de diferencias importantes con su población.,
La falta de representatividad a menudo proviene de errores de muestreo o sesgos. Un ejemplo de error de muestreo sería realizar una encuesta de cuántas personas comen productos lácteos reclutando participantes de su popular café vegano local. Otro ejemplo sería el estudio de los hábitos de consumo de alcohol de los estudiantes universitarios, pero solo el muestreo de los miembros de las fraternidades. En estos ejemplos, es fácil ver cómo las características de las muestras pueden sesgar los resultados.
entonces, ¿cómo se evita el error de muestreo y se selecciona una muestra representativa?, Primero, considere cuidadosamente su marco de muestreo (sus posibles participantes) y los procedimientos de reclutamiento. Evite solo reclutar miembros de un determinado subconjunto de su población, como los miembros de la fraternidad o los asistentes veganos a los cafés en los ejemplos anteriores. A continuación, una buena manera de reducir el sesgo en el muestreo es muestrear aleatoriamente de su marco de muestra. A través de esto, minimiza cualquier sesgo de selección que pueda ocurrir, como el sesgo voluntario. También puede implementar un protocolo de estratificación, como el muestreo estratificado proporcional., Digamos que haces tu investigación y descubres que tu población de biólogos de tiburones son 80% mujeres. A continuación, puede asegurarse de que el 80% de su muestra esté compuesta por mujeres, por ejemplo, mediante muestreo de cuotas. Otro factor a considerar es el tamaño de su muestra; las muestras más grandes tenderán a ser más representativas (suponiendo que esté realizando un muestreo aleatorio).
Finalmente, tenga en cuenta que es poco probable que cada muestra sea perfectamente similar a la población de interés. Siempre habrá un pequeño error de muestreo asociado con cualquier estudio, a menos que muestree a cada miembro de su población.