Muestreo no probabilístico

El muestreo no probabilístico es una técnica de muestreo donde las

muestras se recogen en un proceso que no brinda a todos los
individuos de la población iguales oportunidades de ser
seleccionados.

La desventaja del método de muestreo no probabilístico es que no se toman pruebas de

una porción desconocida de la población. Esto implica que la muestra puede representar
a toda la población con precisión o no. Por lo tanto, los resultados de la investigación no
pueden ser utilizados en generalizaciones respecto de toda la población.

Tipos de muestreo no probabilístico (muestreo más común)

i. Muestreo por conveniencia; en el muestreo por conveniencia, las muestras son
seleccionadas porque son accesibles para el investigador. Los sujetos son elegidos
simplemente porque son fáciles de reclutar.
ii. Muestreo consecutivo; es muy similar al muestreo por conveniencia, excepto que
intenta incluir a TODOS los sujetos accesibles como parte de la muestra. Esta
técnica de muestreo no probabilístico puede ser considerada la mejor muestra no
probabilística, ya que incluye a todos los sujetos que están disponibles, lo que
hace que la muestra represente mejor a toda la población.
iii. Muestreo por cuotas; es una técnica de muestreo no probabilístico en donde el
investigador asegura una representación equitativa y proporcionada de los sujetos,
en función de qué rasgo es considerado base de la cuota.
iv. Muestreo discrecional; en este tipo de toma de muestras, los sujetos son
elegidos para formar parte de la muestra con un objetivo específico. Con el
muestreo discrecional, el investigador cree que algunos sujetos son más
adecuados para la investigación que otros.
v. Muestreo de bola de nieve; se lleva a cabo generalmente cuando hay una
población muy pequeña. En este tipo de muestreo, el investigador le pide al primer
sujeto que identifique a otro sujeto potencial que también cumpla con los criterios
de la investigación. La desventaja de usar una muestra de bola de nieve es que
difícilmente sea representativa de la población.

¿Cuándo utilizar el muestreo no probabilístico?

 Este tipo de muestreo puede ser utilizado cuando se quiere mostrar que existe un
rasgo determinado en la población.
 También se puede utilizar cuando el investigador tiene como objetivo hacer un
estudio cualitativo, piloto o exploratorio.
 Se puede utilizar cuando es imposible la aleatorización, como cuando la población
es casi ilimitada.
  Se puede utilizar cuando la investigación no tiene como objetivo generar resultados
que se utilicen para hacer generalizaciones respecto de toda la población.
 También es útil cuando el investigador tiene un presupuesto, tiempo y mano de obra
limitados.
 Esta técnica también se puede utilizar en un estudio inicial que será llevado a cabo
nuevamente utilizando un muestreo probabilístico aleatorio.

Ventajas del muestreo no probabilístico

i. El muestreo no probabilístico es un método práctico para los investigadores que
implementan encuestas en el mundo real. Aunque claro, cabe mencionar que los
estadistas prefieren el muestreo probabilístico porque arroja datos en forma de
números. Pero la realidad es que, si se hace correctamente, el muestreo no
probabilístico puede arrojar resultados similares, si no es que de la misma calidad.
ii. Obtener respuestas utilizando el muestreo no probabilístico es más rápido y
rentable en comparación al muestreo probabilístico ya que el investigador conoce
la muestra. Comúnmente los participantes están motivados para responder
rápidamente en comparación con las personas que se seleccionan al azar.

Desventajas del muestreo no probabilístico

i. En el muestreo no probabilístico, el investigador necesita pensar las posibles
razones de los sesgos. Es importante tener una muestra que represente de cerca a
la población. Conoce qué es una Muestra Representativa de la Población
Nacional.
ii. Al elegir una muestra en un muestreo no probabilístico, los investigadores deben
tener cuidado con los reclutas que puedan distorsionar los datos. Al final del día,
la investigación se lleva a cabo para obtener información valiosa y datos útiles.

Matriz o Tabla de Contingencia

Una tabla de contingencia es una de las formas más comunes de resumir datos
categóricos. En general, el interés se centra en estudiar si existe alguna asociación entre
una variable denominada fila y otra variable denominada columna y se calcula la
intensidad de dicha asociación
De manera formal, se consideran X e Y dos variables categóricas con I y J categorías
respectivamente. Una observación puede venir clasificada en una de las posibles I × J
categorías que existen.

Cuando las casillas de la tabla contienen las frecuencias observadas, la tabla se denomina
tabla de contingencia, término que fue introducido por Pearson en 1904. Una tabla de
contingencia (o tabla de clasificación cruzada), con I filas y J columnas se denomina una
tabla I × J.
Estos datos se pueden representar mediante gráficos de torta o un gráfico de barras.

Ejemplo
Por ejemplo, se considera la distribución conjunta de dos variables y la correspondiente
tabla de contingencia en una muestra de pacientes de un hospital. Se tiene la siguiente
tabla donde se consideran el riesgo de ataque al corazón respecto a la toma de aspirinas:
X ≡ Se toma aspirina o placebo (I = 2).
Y ≡ Se sufre ataque cardiaco o no (J = 3).

Como resumen de la información que presenta la tabla, de los 11034 enfermos que
tomaron un placebo, 18 tuvieron un ataque al corazón, mientras que de los 11037 que
tomaron aspirina, 5 tuvieron ataques al corazón.

La distribución conjunta de dos variables categóricas determina su relación. Esta

distribución también determina las distribuciones marginales y condicionales.

Distribución conjunta
La distribución conjunta viene dada por

𝜋𝑖𝑗 = 𝑃(𝑋 = 𝑖, 𝑌 = 𝑗)

Con i = 1, . . ., I y j = 1, . . ., J.

Es la probabilidad de (X, Y) en la casilla de la fila i y la columna j.

Distribución marginal
Las distribuciones marginales son
es decir, el símbolo + indica la suma de las casillas correspondientes a un ´índice dado.
Se cumple siempre que

Distribución condicional
En muchas ocasiones en las tablas de contingencia, como en el ejemplo anterior, una de
las variables, digamos Y, es una variable respuesta y la otra variable X es una variable
explicativa o predictora. En esta situación no tiene sentido hablar de distribución
conjunta.

Cuando se considera una categoría fija de X, entonces Y tiene una distribución de

probabilidad que se expresa como una probabilidad condicionada.

Así, se puede estudiar el cambio de esta distribución cuando van cambiando los valores
de X.

Distribución condicionada de Y respecto de X

Se tiene que:

Y el vector de probabilidad forma la distribución condicionada de Y en

la categoría i de X.

La mayor parte de los estudios se centran en la comparación de las distribuciones

condicionadas de Y para varios niveles de las variables explicativas X.

Independencia y Homogeneidad
Cuando las variables que se consideran son de tipo respuesta, se pueden usar
distribuciones conjuntas o bien distribuciones condicionales para describir la asociación
entre ellas.

Dos variables son independientes si

lo cual implica que la distribución condicionada es igual a la marginal:

para j = 1, . . ., J, dado que

para todo i y j.

Si X e Y son variables respuesta entonces se habla de independencia Si Y es variable

respuesta y X es variable explicativa entonces se habla de homogeneidad.